Java开源的支持xpath的html解析器介绍--JsoupXpath

来源:转载

JsoupXpath( https://github.com/zhegexiaohuozi/JsoupXpath)是一款纯Java开发的使用xpath解析提取html内容的解析器,xpath语法分析与执行完全独立,html的DOM树生成借助Jsoup,故命名为JsoupXpath. 为了在java里也享受xpath的强大与方便但又苦于找不到一款足够强大的xpath解析器,故开发了JsoupXpath。JsoupXpath的实现逻辑清晰,扩展方便, 支持几乎全部常用的xpath语法,如下面这些:

1 http://www.cnblogs.com/ 为例 2 "//a/@href"; 3 "//div[@id='paging_block']/div/a[text()='Next >']/@href"; 4 "//div[@id='paging_block']/div/a[text()*='Next']/@href"; 5 "//h1/text()"; 6 "//h1/allText()"; 7 "//h1//text()"; 8 "//div/a"; 9 "//div[@id='post_list']/div[position()<3]/div/h3/allText()";10 "//div[@id='post_list']/div[first()]/div/h3/allText()";11 "//div[@id='post_list']/div[1]/div/h3/allText()";12 "//div[@id='post_list']/div[last()]/div/h3/allText()";13 //查找评论大于1000的条目(当然只是为了演示复杂xpath了,谓语中可以各种嵌套,这样才能测试的更全面嘛)14 "//div[@id='post_list']/div[./div/div/span[@class='article_view']/a/num()>1000]/div/h3/allText()";15 //轴支持16 "//div[@id='post_list']/div[self::div/div/div/span[@class='article_view']/a/num()>1000]/div/h3/allText()";17 "//div[@id='post_list']/div[2]/div/p/preceding-sibling::h3/allText()";18 "//div[@id='post_list']/div[2]/div/p/preceding-sibling::h3/allText()|//div[@id='post_list']/div[1]/div/h3/allText()";

在这里暂不列出框架间的对比了,但我相信,你们用了会发现JsoupXpath就是目前市面上最强大的的Xpath解析器。

快速开始

如果不方便使用maven,可以直接使用lib下的依赖包跑起来试试,如方便可直接使用如下dependency(已经上传至中央maven库,最新版本0.1.1):

1 <dependency>2 <groupId>cn.wanghaomiao</groupId>3 <artifactId>JsoupXpath</artifactId>4 <version>0.1.1</version>5 </dependency>

依赖配置好后,就可以使用如下例子进行体验了!

1 String xpath="//div[@id='post_list']/div[./div/div/span[@class='article_view']/a/num()>1000]/div/h3/allText()"; 2 String doc = "..."; 3 JXDocument jxDocument = new JXDocument(doc); 4 List<Object> rs = jxDocument.sel(xpath); 5 for (Object o:rs){ 6 if (o instanceof Element){ 7 int index = ((Element) o).siblingIndex(); 8 System.out.println(index); 9 }10 System.out.println(o.toString());11 }

其他可以参考 cn.wanghaomiao.example包下的例子

一 语法

支持标准xpath语法(支持谓语嵌套),支持全部常用函数,支持全部常用轴,去掉了一些标准里面华而不实的函数和轴,下面会具体介绍。语法可以参考 http://www.w3school.com.cn/xpath/index.asp

关于使用Xpath的一些注意事项

非常不建议直接粘贴Firefox或chrome里生成的Xpath,这些浏览器在渲染页面会根据标准自动补全一些标签,如table标签会自动加上tbody标签,这样生成的Xpath路径显然不是最通用的,所以很可能就取不到值。所以,要使用Xpath并感受Xpath的强大以及他所带来便捷与优雅最好就是学习下Xpath的标准语法,这样应对各种问题才能游刃有余,享受Xpath的真正威力!

二 函数 text()提取节点的自有文本 node()提取所有节点 position()返回当前节点所处在同胞中的位置 last()返回同级节点中的最后那个节点 first()返回同级节点中的第一个节点 解析器扩展函数 allText()提取节点下全部文本,取代类似 //div/h3//text()这种递归取文本用法 html()获取全部节点的内部的html outerHtml()获取全部节点的 包含节点本身在内的全部html num()抽取节点自有文本中全部数字,如果知道节点的自有文本(即非子代节点所包含的文本)中只存在一个数字,如阅读数,评论数,价格等那么直接可以直接提取此数字出来。如果有多个数字将提取第一个匹配的连续数字。 其他说明 contains(arga,argb)这个函数暂时不支持,因为JsoupXpath拥有强大的运算符支持,完全可以取代它!如,可以用 *=取代 contains()例: //div[text()*='next'] 三 轴 self节点自身 parent父节点 child直接子节点 ancestor全部祖先节点 父亲,爷爷 , 爷爷的父亲... ancestor-or-self全部祖先节点和自身节点 descendant全部子代节点 儿子,孙子,孙子的儿子... descendant-or-self全部子代节点和自身 preceding-sibling节点前面的全部同胞节点 following-sibling节点后面的全部同胞节点 轴实用扩展 preceding-sibling-one前一个同胞节点(扩展) following-sibling-one返回下一个同胞节点(扩展) 语法 sibling全部同胞(扩展) 四 操作符

这些操作符可谓足够用了,满足几乎你所有的需求。

|返回两个节点集的并集 a+b加 返回数值结果 a-b减 返回数值结果 a=b判断是否相等返回Boolean a!=b不等于 返回Boolean a>b大于 返回Boolean a>=b大于等于 返回Boolean a<b小于 返回Boolean a<=b小于等于 返回Boolean 操作符扩展 a^=b字符串a是否以字符串b开头 a startwith b 返回Boolean a*=ba是否包含b, a contains b 返回Boolean a$=ba是否以b结尾 a endwith b 返回Boolean a~=ba的内容是否符合 正则表达式b 返回Boolean 其他说明

基本这些足够了,其他鸡肋的暂时不支持,如有特殊需求请联系我。



分享给朋友:
您可能感兴趣的文章:
随机阅读: