jsoup技术抓取网页数据大全

jsoupNews Bugs Discussion Download API Reference Cookbook
jsoup ? Cookbook ? Extracting data ? 使用选择器语法来查找元素
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：


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