Jsoup强大的cssQuery的使用方法

1.Jsoup简介

Jsoup是一款Java的HTML解析器，主要用来对HTML解析。
在爬虫的时候，当我们用HttpClient之类的框架，获取到网页源码之后，需要从网页源码中取出我们想要的内容，就可以使用jsoup这类HTML解析器了，可以非常轻松的实现。

当我做爬虫相关的工作中，需要通过Jsoup解析HTML页面的一个或多个元素时，我最喜欢用的就是cssQuery，因为它真的太太太好用了。例如类似下面代码进行调用：

// page为String类型的HTML页面
Document doc = Jsoup.parse(page);
Elements eles = doc.select("div#frozen-west tbody.rows-height-counter tr");

代码中的这个“div#frozen-west tbody.rows-height-counter tr”的字符串，就是cssQuery string，也称为Selector选择器。

这个select 方法在Document，Element，或Elements对象中都可以使用，而且是上下文相关的，因此可实现指定元素的过滤，或者链式选择访问。Jsoup的源码如下：


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。

2.Selector选择器

2.1 基础选择器

Selector类型	用途
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
#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
*	这个符号将匹配所有元素

2.2 选择器组合使用

Selector组合方式	用途
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

2.3 伪选择器

伪Selector类型	用途
: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§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的index为0，第二个元素的index为1。

可以查看Selector API参考来了解更详细的内容。