使用 xpath 解析 html 的解析器：Jsoupxpath

gwxd 8年前

JsoupXpath 是一款纯Java开发的使用xpath解析html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. 

http://www.cnblogs.com/ 为例  "//a/@href";  "//div[@id='paging_block']/div/a[text()='Next >']/@href";  "//div[@id='paging_block']/div/a[text()*='Next']/@href";  "//h1/text()";  "//h1/allText()";  "//h1//text()";  "//div/a";  "//div[@id='post_list']/div[position()<3]/div/h3/allText()";  "//div[@id='post_list']/div[first()]/div/h3/allText()";  "//div[@id='post_list']/div[1]/div/h3/allText()";  "//div[@id='post_list']/div[last()]/div/h3/allText()";  //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）  "//div[@id='post_list']/div[./div/div/span[@class='article_view']/a/num()>1000]/div/h3/allText()";  //轴支持  "//div[@id='post_list']/div[self::div/div/div/span[@class='article_view']/a/num()>1000]/div/h3/allText()";  "//div[@id='post_list']/div[2]/div/p/preceding-sibling::h3/allText()";  "//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)： 

<dependency>     <groupId>cn.wanghaomiao</groupId>     <artifactId>JsoupXpath</artifactId>     <version>0.1.1</version>  </dependency>

依赖配置好后，就可以使用如下例子进行体验了！ 

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

其他可以参考 cn.wanghaomiao.example包下的例子

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！

函数

<ULCLASS=>

  • 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

<ULCLASS=>

  • 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']

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）

操作符

这些操作符可谓足够强大，满足几乎你所有的需求。

<ULCLASS=>

  • 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*=b a是否包含b, a contains b 返回Boolean

  • a$=b a是否以b结尾 a endwith b 返回Boolean

  • a~=b a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。项目地址：GitHub/Jsoupxpath

项目主页：http://www.open-open.com/lib/view/home/1445699703570

</ULCLASS=></ULCLASS=></ULCLASS=>