本文参考:JSOUP中文文档

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)Elements.select(String selector) 方法实现:

//从本地加载html文件
File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");//编码以及HTML页面URL前戳

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

如何选择多个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文档

官方API原文:Selector (jsoup Java HTML Parser 1.11.3 API)

Pattern Matches Example
* 任何元素 *
tag 具有给定标签名的元素 div
*|E 类型E在任何名称空间中的元素。  
ns|E 类型E在名称空间中的元素。  
#id 具有“ID”属性ID的元素 div#wrap, #logo
.class 类名为“class”的元素 div.left, .result
[attr] 属性为“attr”(任何值)的元素 a[href], [title]
[^attrPrefix] 属性名称以“attrPrefix”开头的元素。使用HTML5数据集查找元素 [^data-], div[^data-]
[attr=val] 元素的属性为“attr”,值为“val” img[width=500], a[rel=nofollow]
[attr="val"] 元素的属性为“attr”,值为“val” span[hello="Cleveland"][goodbye="Columbus"], a[rel="nofollow"]
[attr^=valPrefix] 元素的属性为“attr”,值以“valPrefix”开头 a[href^=http:]
[attr$=valSuffix] 元素的属性为“attr”,值以“valfix”结尾 img[src$=.png]
[attr*=valContaining] 元素的属性为“attr”,包含属性值“valcontains” a[href*=/search/]
[attr~=*regex*] 元素具有名为“attr”的属性,值与正则表达式匹配 `img[src~=(?i).(png
  以上可以按任何顺序合并。 div.header[title]

关系选择器Combinators

Pattern Matches Example
E F 由E元素衍生而来的F元素 div a, .logo h1
E > F F是E的直接子结点 ol > li
E + F 一个F元素,紧接在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*) 其同胞指数小于n的元素 td:lt(3) 找到每一行的前3个单元格
:gt(*n*) 其同胞指数大于n的元素 td:gt(1) 在跳过前两个单元后查找单元格
:eq(*n*) 其同胞指数等于n的元素 td:eq(0) 找到每一行的第一个单元格
:has(*selector*) 包含至少一个与选择器匹配的元素的元素 div:has(p) 查找包含p元素的div
:not(*selector*) 不匹配选择器的元素。参见Elements.not(String) div:not(.logo) 查找所有没有“logo”类的divs。 div:not(:has(div)) 查找不包含div的div。
:contains(*text*) 包含指定文本的元素。搜索是大小写不敏感的。文本可以出现在找到的元素中,也可以出现在它的任何后代元素中。 p:contains(jsoup) 查找包含“jsoup”文本的p元素。
:matches(*regex*) 其文本与指定正则表达式匹配的元素。文本可以出现在找到的元素中,也可以出现在它的任何后代元素中。 td:matches(\\d+) 查找包含数字的表单元格。 div:matches((?i)login) 找到包含文本的div,不敏感的情况。
:containsOwn(*text*) 直接包含指定文本的元素。搜索是大小写不敏感的。文本必须出现在找到的元素中,而不是它的任何后代元素中。 p:containsOwn(jsoup) 查找具有自己的文本“jsoup”的p元素。
:matchesOwn(*regex*) 元素,其自身的文本与指定的正则表达式匹配。文本必须出现在找到的元素中,而不是它的任何后代元素中。 td:matchesOwn(\\d+) 查找直接包含数字的表单元格。 div:matchesOwn((?i)login) 找到包含文本的div,不敏感的情况。
:containsData(*data*) 包含指定数据的元素。scriptstyle的内容元素,和comment节点(等)被认为是数据节点,而不是文本节点。搜索是大小写不敏感的。数据可能出现在已找到的元素中,也可能出现在其任何子代中。 script:contains(jsoup) 查找包含数据“jsoup”的脚本元素。
  上述可按任何顺序与其他选择器组合 .light:contains(name):eq(0)
:matchText 将文本节点视为元素,因此允许您匹配并选择文本节点。注意,使用此选择器将修改DOM,因此您可能希望在使用之前克隆文档。 p:matchText:firstChild 与输入 <p>One<br />Two</p> 将返回一个 PseudoTextElement 与文本 “One“.

Structural pseudo selectors

Pattern Matches Example
:root 元素是文档的根。在HTML中,这是 html 元素 :root
:nth-child(*a*n+*b*) 在文档树中有*a*n+*b*-1兄妹的元素,对于任何正整数或零值的n,并具有父元素。对于a和b大于零的值,这有效地将元素的子元素划分为元素的组(最后一个组取其余的部分),并选择每个组的第bth元素。例如,这允许选择器处理表中的其他行,并可以用于在一个4周期中替换段落文本的颜色。 a和b的值必须是整数(正数、负数或零)。元素的第一个子元素的索引是1。除此之外, :nth-child() 可以采用奇数和偶数作为参数。 奇数与2n+1的意义相同,偶数与2n的意义相同。 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*) 在文档树中后面有*a*n+*b*-1兄弟元素。否则像:nth-child() tr:nth-last-child(-n+2) 表的最后两行
:nth-of-type(*a*n+*b*) 伪类表示法表示一个元素,该元素具有*a*n+*b*-1个兄弟元素,在文档树前具有相同的扩展元素名,对于任何0或正整数值为n,并且具有父元素 img:nth-of-type(2n+1)
:nth-last-of-type(*a*n+*b*) 伪类表示法表示一个元素,该元素具有*a*n+*b*-1个兄弟元素,在文档树中,对于任何0或正整数值为n的元素,该元素具有一个父元素 img:nth-last-of-type(2n+1)
:first-child 元素是其他元素的第一个子元素。 div > p:first-child
:last-child 其他元素的最后一个子元素。 ol > li:last-child
:first-of-type 在父元素的子元素列表中是其类型的第一个兄弟元素 dl dt:first-of-type
:last-of-type 元素,它是其父元素的子元素列表中类型的最后一个兄弟元素。 tr > td:last-of-type
:only-child 具有父元素且父元素没有其他元素子元素的元素  
:only-of-type 具有父元素的元素,其父元素没有具有相同展开元素名称的其他元素子元素  
:empty 没有孩子的元素。