【使用JSOUP实现网络爬虫】使用选择器语法来查找元素
2015-08-26 17:22
609 查看
问题
你想使用类似于CSS或jQuery的语法来查找和操作元素。方法
可以使用Element.select(String selector)和
Elements.select(String selector)方法实现:
[java] view plaincopyprint?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$=.png]");
//扩展名为.png的图片
Element masthead = doc.select("div.masthead").first();
//class等于masthead的div标签
Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素
说明
jsoup elements对象支持类似于CSS (或jquery)的选择器语法,来实现非常强大和灵活的查找功能。.这个
select方法在
Document,
Element,或
Elements对象中都可以使用。且是上下文相关的,因此可实现指定元素的过滤,或者链式选择访问。
Select方法将返回一个
Elements集合,并提供一组方法来抽取和处理结果。
Selector选择器概述
tagname: 通过标签查找元素,比如:
a
ns|tag: 通过标签在命名空间查找元素,比如:可以用
fb|name语法来查找
<fb:name>元素
#id: 通过ID查找元素,比如:
#logo
.class: 通过class名称查找元素,比如:
.masthead
[attribute]: 利用属性查找元素,比如:
[href]
[^attr]: 利用属性名前缀来查找元素,比如:可以用
[^data-]来查找带有HTML5 Dataset属性的元素
[attr=value]: 利用属性值来查找元素,比如:
[width=500]
[attr^=value],
[attr$=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,比如:
[href*=/path/]
[attr~=regex]: 利用属性值匹配正则表达式来查找元素,比如:
img[src~=(?i)\.(png|jpe?g)]
*: 这个符号将匹配所有元素
Selector选择器组合使用
el#id: 元素+ID,比如:
div#logo
el.class: 元素+class,比如:
div.masthead
el[attr]: 元素+class,比如:
a[href]
任意组合,比如:
a[href].highlight
ancestor child: 查找某个元素下子元素,比如:可以用
.body p查找在"body"元素下的所有
p元素
parent > child: 查找某个父元素下的直接子元素,比如:可以用
div.content > p查找
p元素,也可以用
body > *查找body标签下所有直接子元素
siblingA + siblingB: 查找在A元素之前第一个同级元素B,比如:
div.head + div
siblingA ~ siblingX: 查找A元素之前的同级X元素,比如:
h1 ~ p
el, el, el:多个选择器组合,查找匹配任一选择器的唯一元素,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,比如:
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
,比如:
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,比如:
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,比如:
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,比如:
div:not(.logo)表示不包含 class=logo 元素的所有 div 列表
:contains(text): 查找包含给定文本的元素,搜索不区分大不写,比如:
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,比如:
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
可以查看
SelectorAPI参考来了解更详细的内容
阅读更多JSOUP相关文章,请看专栏:《使用JSOUP实现网络爬虫》
相关文章推荐
- 【使用JSOUP实现网络爬虫】使用DOM方法来遍历一个文档
- 1.6 网络编程之 UDP通信
- iOS开发——网络篇——数据安全(MD5),HTTPS,检测网络状态
- 【使用JSOUP实现网络爬虫】从一个URL加载一个Document
- HTTP 1.1与HTTP 1.0的比较
- iOS开发——网络篇——UIWebview基本使用,NSInvocation(封装类),NSMethodSignature(签名),JavaScript,抛异常,消除警告
- 安装PHP过程中,make步骤报错:(集合网络上各种解决方法)
- XCode7 iOS9无法访问网络的问题
- [iOS]code=-1016等网络请求错误.
- Linux网络虚拟化
- (二) HTTP/2起步
- 解决Exception in thread "http-bio-8081-exec-9"Exception in thread "Druid-ConnectionPool-Create-3819
- 【使用JSOUP实现网络爬虫】解析一个body片断
- 【使用JSOUP实现网络爬虫】解析一个HTML字符串
- 【使用JSOUP实现网络爬虫】入门:解析和遍历一个HTML文档
- AJP与HTTP比较和分析
- apache tomcat https应用
- linux网络编程_1
- 爬虫简单示例,用httpClient4.2.1实现(转载)
- HttpClient 4.3教程(转载)