crawler_jsoup HTML解析器_使用选择器语法来查找元素

参照：http://www.open-open.com/jsoup/selector-syntax.htm

使用选择器语法来查找元素

问题

你想使用相似于CSS或jQuery的语法来查找和操做元素。

方法

可使用Element.select(String selector) 和 Elements.select(String selector) 方法实现：

File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

Elements links = doc.select("a[href]"); //带有href属性的a元素
Elements pngs = doc.select("img[src$=.png]");
  //扩展名为.png的图片

Element masthead = doc.select("div.masthead").first();
  //class等于masthead的div标签

Elements resultLinks = doc.select("h3.r > a"); //在h3元素以后的a元素

说明

jsoup elements对象支持相似于CSS (或jquery)的选择器语法，来实现很是强大和灵活的查找功能。.

这个select 方法在Document, Element,或Elements对象中均可以使用。且是上下文相关的，所以可实现指定元素的过滤，或者链式选择访问。

Select方法将返回一个Elements集合，并提供一组方法来抽取和处理结果。

Selector选择器概述

• tagname: 经过标签查找元素，好比：a
• ns|tag: 经过标签在命名空间查找元素，好比：能够用 fb|name 语法来查找 <fb:name> 元素
• #id: 经过ID查找元素，好比：#logo
• .class: 经过class名称查找元素，好比：.masthead
• [attribute]: 利用属性查找元素，好比：[href]
• [^attr]: 利用属性名前缀来查找元素，好比：能够用[^data-] 来查找带有HTML5 Dataset属性的元素
• [attr=value]: 利用属性值来查找元素，好比：[width=500]
• [attr^=value], [attr$=value], [attr*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素，好比：[href*=/path/]
• [attr~=regex]: 利用属性值匹配正则表达式来查找元素，好比： img[src~=(?i)\.(png|jpe?g)]
• *: 这个符号将匹配全部元素

Selector选择器组合使用

• el#id: 元素+ID，好比： div#logo
• el.class: 元素+class，好比： div.masthead
• el[attr]: 元素+class，好比： a[href]
• 任意组合，好比：a[href].highlight
• ancestor child: 查找某个元素下子元素，好比：能够用.body p 查找在"body"元素下的全部p元素
• parent > child: 查找某个父元素下的直接子元素，好比：能够用div.content > p 查找 p 元素，也能够用body > * 查找body标签下全部直接子元素
• siblingA + siblingB: 查找在A元素以前第一个同级元素B，好比：div.head + div
• siblingA ~ siblingX: 查找A元素以前的同级X元素，好比：h1 ~ p
• el, el, el:多个选择器组合，查找匹配任一选择器的惟一元素，例如：div.masthead, div.logo

伪选择器selectors

• :lt(n): 查找哪些元素的同级索引值（它的位置在DOM树中是相对于它的父节点）小于n，好比：td:lt(3) 表示小于三列的元素
• :gt(n):查找哪些元素的同级索引值大于n，好比： div p:gt(2)表示哪些div中有包含2个以上的p元素
• :eq(n): 查找哪些元素的同级索引值与n相等，好比：form input:eq(1)表示包含一个input标签的Form元素
• :has(seletor): 查找匹配选择器包含元素的元素，好比：div:has(p)表示哪些div包含了p元素
• :not(selector): 查找与选择器不匹配的元素，好比： div:not(.logo) 表示不包含 class="logo" 元素的全部 div 列表
• :contains(text): 查找包含给定文本的元素，搜索不区分大不写，好比： p:contains(jsoup)
• :containsOwn(text): 查找直接包含给定文本的元素
• :matches(regex): 查找哪些元素的文本匹配指定的正则表达式，好比：div:matches((?i)login)
• :matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素
• 注意：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等

能够查看Selector API参考来了解更详细的内容

注意：

     若是class中有空格，想要匹配的话，不能直接copy class后引号内的内容，空格间隔表明不一样个class 想要匹配的话。以下demo，三种方式

    <a href="s?q=%E6%B2%89%E6%95%B4%E8%86%8F&amp;x=0-2-2-0&amp;page=2" class="btn btn_next">下一页 <b>&gt;</b></a>

    1： a.btn

    2:   a. btn_next

    3:  a."btn btn_next"   须要要引号 ，测试只加左边或右边也行。不加不行

   对于属性不少的元素 非class 和ID的可采用以下方法，例如想取得这个table  借助宽度属性

  1：table[width=277]

   <table border="0" cellpadding="2" cellspacing="0" bgcolor="#FFFFFF" width="277">