【使用JSOUP实现网络爬虫】使用选择器语法来查找元素

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

Selector

 API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》