jsoup Java HTML解析器：使用選擇器語法來查詢元素

weixin_34391854發表於2017-05-19
JSJavaHTML

jsoup Java HTML解析器：使用選擇器語法來查詢元素

使用選擇器語法來查詢元素

問題

你想使用類似於CSS或jQuery的語法來查詢和操作元素。

方法

可以使用Element.select(String selector) 和 Elements.select(String selector) 方法實現：

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

Elements links = doc.select("a[href]"); //帶有href屬性的a元素
Elements pngs = doc.select("img[src$=.png]");
  //副檔名為.png的圖片

Element masthead = doc.select("div.masthead").first();
  //class等於masthead的div標籤

Elements resultLinks = doc.select("h3.r > a"); //在h3元素之後的a元素

說明

jsoup elements物件支援類似於CSS (或jquery)的選擇器語法，來實現非常強大和靈活的查詢功能。.

這個select 方法在Document, Element,或Elements物件中都可以使用。且是上下文相關的，因此可實現指定元素的過濾，或者鏈式選擇訪問。

Select方法將返回一個Elements集合，並提供一組方法來抽取和處理結果。

Selector選擇器概述

  • tagname: 通過標籤查詢元素，比如：a
  • ns|tag: 通過標籤在名稱空間查詢元素，比如：可以用 fb|name 語法來查詢 <fb:name> 元素
  • #id: 通過ID查詢元素，比如：#logo
  • .class: 通過class名稱查詢元素，比如：.masthead
  • [attribute]: 利用屬性查詢元素，比如：[href]
  • [^attr]: 利用屬性名字首來查詢元素，比如：可以用[^data-] 來查詢帶有HTML5 Dataset屬性的元素
  • [attr=value]: 利用屬性值來查詢元素，比如：[width=500]
  • [attr^=value], [attr$=value], [attr*=value]: 利用匹配屬性值開頭、結尾或包含屬性值來查詢元素，比如：[href*=/path/]
  • [attr~=regex]: 利用屬性值匹配正規表示式來查詢元素，比如： img[src~=(?i)\.(png|jpe?g)]
  • *: 這個符號將匹配所有元素

Selector選擇器組合使用

  • 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]
  • 任意組合，比如：a[href].highlight
  • ancestor child: 查詢某個元素下子元素，比如：可以用.body p 查詢在"body"元素下的所有 p元素
  • parent > child: 查詢某個父元素下的直接子元素，比如：可以用div.content > p 查詢 p 元素，也可以用body > * 查詢body標籤下所有直接子元素
  • siblingA + siblingB: 查詢在A元素之前第一個同級元素B，比如：div.head + div
  • siblingA ~ siblingX: 查詢A元素之前的同級X元素，比如：h1 ~ p
  • el, el, el:多個選擇器組合，查詢匹配任一選擇器的唯一元素，例如：div.masthead, div.logo

偽選擇器selectors

  • :lt(n): 查詢哪些元素的同級索引值（它的位置在DOM樹中是相對於它的父節點）小於n，比如：td:lt(3) 表示小於三列的元素
  • :gt(n):查詢哪些元素的同級索引值大於n，比如： div p:gt(2)表示哪些div中有包含2個以上的p元素
  • :eq(n): 查詢哪些元素的同級索引值與n相等，比如：form input:eq(1)表示包含一個input標籤的Form元素
  • :has(seletor): 查詢匹配選擇器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
  • :not(selector): 查詢與選擇器不匹配的元素，比如： div:not(.logo) 表示不包含 class="logo" 元素的所有 div 列表
  • :contains(text): 查詢包含給定文字的元素，搜尋不區分大不寫，比如： p:contains(jsoup)
  • :containsOwn(text): 查詢直接包含給定文字的元素
  • :matches(regex): 查詢哪些元素的文字匹配指定的正規表示式，比如：div:matches((?i)login)
  • :matchesOwn(regex): 查詢自身包含文字匹配指定正規表示式的元素
  • 注意：上述偽選擇器索引是從0開始的，也就是說第一個元素索引值為0，第二個元素index為1等

可以檢視Selector API參考來了解更詳細的內容

相關文章