本文參考:JSOUP中文文檔
問題
你想使用類似於CSS或jQuery的語法來查找和操作元素。
方法
可以使用Element.select(String selector)
和 Elements.select(String selector)
方法實現:
//從本地加載html文件
File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");//編碼以及HTML頁面URL前戳
Elements links = doc.select("a[href]"); //帶有href屬性的a元素
Elements pngs = doc.select("img[src$=.png]"); //擴展名爲.png的圖片
Element masthead = doc.select("div.masthead").first(); //class等於masthead的div標籤
Elements resultLinks = doc.select("h3.r > a"); //在h3元素之後的a元素
說明
jsoup elements對象支持類似於CSS (或jquery)的選擇器語法,來實現非常強大和靈活的查找功能。.
這個select
方法在Document
, Element
,或Elements
對象中都可以使用。且是上下文相關的,因此可實現指定元素的過濾,或者鏈式選擇訪問。
Select方法將返回一個Elements
集合,並提供一組方法來抽取和處理結果。
Selector選擇器概述
tagname
: 通過標籤查找元素,比如:a
ns|tag
: 通過標籤在命名空間查找元素,比如:可以用fb|name
語法來查找<fb:name>
元素#id
: 通過ID查找元素,比如:#logo
.class
: 通過class名稱查找元素,比如:.masthead
[attribute]
: 利用屬性查找元素,比如:[href]
[^attr]
: 利用屬性名前綴來查找元素,比如:可以用[^data-]
來查找帶有HTML5 Dataset屬性的元素[attr=value]
: 利用屬性值來查找元素,比如:[width=500]
[attr^=value]
,[attr$=value]
,[attr*=value]
: 利用匹配屬性值開頭、結尾或包含屬性值來查找元素,比如:[href*=/path/]
[attr~=regex]
: 利用屬性值匹配正則表達式來查找元素,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
: 查找某個元素下子元素,比如:可以用.body p
查找在”body”元素下的所有p
元素parent > child
: 查找某個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標籤下所有直接子元素siblingA + siblingB
: 查找在A元素之前第一個同級元素B,比如:div.head + div
siblingA ~ siblingX
: 查找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,查找匹配任一選擇器的唯一元素,例如:div.masthead, div.logo
僞選擇器selectors
:lt(n)
: 查找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)
:查找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)
: 查找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)
: 查找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)
: 查找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)
: 查找包含給定文本的元素,搜索不區分大不寫,比如:p:contains(jsoup)
:containsOwn(text)
: 查找直接包含給定文本的元素:matches(regex)
: 查找哪些元素的文本匹配指定的正則表達式,比如:div:matches((?i)login)
:matchesOwn(regex)
: 查找自身包含文本匹配指定正則表達式的元素- 注意:上述僞選擇器索引是從0開始的,也就是說第一個元素索引值爲0,第二個元素index爲1等
可以查看Selector
API參考來了解更詳細的內容
如何選擇多個class值的元素
示例:<ul class="ul-ss-3 jb-xx-ks">
方法:
Elements select = document.select(".ul-ss-3").select(".jb-xx-bw");
或者
Elements select = document.getElementsByClass("ul-ss-3 jb-xx-bw");
Selector
API文檔
官方API原文:Selector (jsoup Java HTML Parser 1.11.3 API)
Pattern | Matches | Example |
---|---|---|
* |
任何元素 | * |
tag |
具有給定標籤名的元素 | div |
`* | E` | 類型E在任何名稱空間中的元素。 |
`ns | E` | 類型E在名稱空間中的元素。 |
#id |
具有“ID”屬性ID的元素 | div#wrap , #logo |
.class |
類名爲“class”的元素 | div.left , .result |
[attr] |
屬性爲“attr”(任何值)的元素 | a[href] , [title] |
[^attrPrefix] |
屬性名稱以“attrPrefix”開頭的元素。使用HTML5數據集查找元素 | [^data-] , div[^data-] |
[attr=val] |
元素的屬性爲“attr”,值爲“val” | img[width=500] , a[rel=nofollow] |
[attr="val"] |
元素的屬性爲“attr”,值爲“val” | span[hello="Cleveland"][goodbye="Columbus"] , a[rel="nofollow"] |
[attr^=valPrefix] |
元素的屬性爲“attr”,值以“valPrefix”開頭 | a[href^=http:] |
[attr$=valSuffix] |
元素的屬性爲“attr”,值以“valfix”結尾 | img[src$=.png] |
[attr*=valContaining] |
元素的屬性爲“attr”,包含屬性值“valcontains” | a[href*=/search/] |
[attr~=*regex*] |
元素具有名爲“attr”的屬性,值與正則表達式匹配 | `img[src~=(?i)\.(png |
以上可以按任何順序合併。 | div.header[title] |
關係選擇器Combinators
Pattern | Matches | Example |
---|---|---|
E F |
由E元素衍生而來的F元素 | div a , .logo h1 |
E > F |
F是E的直接子結點 | ol > li |
E + F |
一個F元素,緊接在E的前面 | li + li , div.head + div |
E ~ F |
在F元素前面加上E | h1 ~ p |
E, F, G |
所有匹配元素E F G | a[href], div, h3 |
Pseudo selectors
Pattern | Matches | Example |
---|---|---|
:lt(*n*) |
其同胞指數小於n的元素 | td:lt(3) 找到每一行的前3個單元格 |
:gt(*n*) |
其同胞指數大於n的元素 | td:gt(1) 在跳過前兩個單元后查找單元格 |
:eq(*n*) |
其同胞指數等於n的元素 | td:eq(0) 找到每一行的第一個單元格 |
:has(*selector*) |
包含至少一個與選擇器匹配的元素的元素 | div:has(p) 查找包含p元素的div |
:not(*selector*) |
不匹配選擇器的元素。參見Elements.not(String) |
div:not(.logo) 查找所有沒有“logo”類的divs。 div:not(:has(div)) 查找不包含div的div。 |
:contains(*text*) |
包含指定文本的元素。搜索是大小寫不敏感的。文本可以出現在找到的元素中,也可以出現在它的任何後代元素中。 | p:contains(jsoup) 查找包含“jsoup”文本的p元素。 |
:matches(*regex*) |
其文本與指定正則表達式匹配的元素。文本可以出現在找到的元素中,也可以出現在它的任何後代元素中。 | td:matches(\\d+) 查找包含數字的表單元格。 div:matches((?i)login) 找到包含文本的div,不敏感的情況。 |
:containsOwn(*text*) |
直接包含指定文本的元素。搜索是大小寫不敏感的。文本必須出現在找到的元素中,而不是它的任何後代元素中。 | p:containsOwn(jsoup) 查找具有自己的文本“jsoup”的p元素。 |
:matchesOwn(*regex*) |
元素,其自身的文本與指定的正則表達式匹配。文本必須出現在找到的元素中,而不是它的任何後代元素中。 | td:matchesOwn(\\d+) 查找直接包含數字的表單元格。 div:matchesOwn((?i)login) 找到包含文本的div,不敏感的情況。 |
:containsData(*data*) |
包含指定數據的元素。script 和style 的內容元素,和comment 節點(等)被認爲是數據節點,而不是文本節點。搜索是大小寫不敏感的。數據可能出現在已找到的元素中,也可能出現在其任何子代中。 |
script:contains(jsoup) 查找包含數據“jsoup”的腳本元素。 |
上述可按任何順序與其他選擇器組合 | .light:contains(name):eq(0) |
|
:matchText |
將文本節點視爲元素,因此允許您匹配並選擇文本節點。注意,使用此選擇器將修改DOM,因此您可能希望在使用之前克隆文檔。 | p:matchText:firstChild 與輸入 <p>One<br />Two</p> 將返回一個 PseudoTextElement 與文本 “One “. |
Structural pseudo selectors
Pattern | Matches | Example |
---|---|---|
:root |
元素是文檔的根。在HTML中,這是 html 元素 |
:root |
:nth-child(*a*n+*b*) |
在文檔樹中有*a*n+*b*-1 兄妹的元素,對於任何正整數或零值的n,並具有父元素。對於a和b大於零的值,這有效地將元素的子元素劃分爲元素的組(最後一個組取其餘的部分),並選擇每個組的第*b*th元素。例如,這允許選擇器處理表中的其他行,並可以用於在一個4週期中替換段落文本的顏色。 a和b的值必須是整數(正數、負數或零)。元素的第一個子元素的索引是1。除此之外, :nth-child() 可以採用奇數和偶數作爲參數。 奇數與2n+1的意義相同,偶數與2n的意義相同。 |
tr:nth-child(2n+1) 查找表中的每一行。 :nth-child(10n-1) 第9,第19,第29,等等,元素。 li:nth-child(5) the 5h li |
:nth-last-child(*a*n+*b*) |
在文檔樹中後面有*a*n+*b*-1 兄弟元素。否則像:nth-child() |
tr:nth-last-child(-n+2) 表的最後兩行 |
:nth-of-type(*a*n+*b*) |
僞類表示法表示一個元素,該元素具有*a*n+*b*-1 個兄弟元素,在文檔樹前具有相同的擴展元素名,對於任何0或正整數值爲n,並且具有父元素 |
img:nth-of-type(2n+1) |
:nth-last-of-type(*a*n+*b*) |
僞類表示法表示一個元素,該元素具有*a*n+*b*-1 個兄弟元素,在文檔樹中,對於任何0或正整數值爲n的元素,該元素具有一個父元素 |
img:nth-last-of-type(2n+1) |
:first-child |
元素是其他元素的第一個子元素。 | div > p:first-child |
:last-child |
其他元素的最後一個子元素。 | ol > li:last-child |
:first-of-type |
在父元素的子元素列表中是其類型的第一個兄弟元素 | dl dt:first-of-type |
:last-of-type |
元素,它是其父元素的子元素列表中類型的最後一個兄弟元素。 | tr > td:last-of-type |
:only-child |
具有父元素且父元素沒有其他元素子元素的元素 | |
:only-of-type |
具有父元素的元素,其父元素沒有具有相同展開元素名稱的其他元素子元素 | |
:empty |
沒有孩子的元素。 |