JsoupXpath

A html parser with xpath base on Jsoup.Maybe it is the best in java,ha ha.Just try it.

I will write more document later...

1.社区讨论

大家有什么问题或建议现在都可以选择通过下面的邮件列表讨论,首次发言前需先订阅并等待审核通过(主要用来屏蔽广告宣传等,给大家创造良好的讨论环境)

  • 订阅:请发邮件到 seimicrawler+subscribe@googlegroups.com
  • 发言:请发邮件到 seimicrawler@googlegroups.com
  • 退订:请发邮件至 seimicrawler+unsubscribe@googlegroups.com

1.1.简介

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,如下面这些:

@RunWith(PowerMockRunner.class)
@PowerMockRunnerDelegate(DataProviderRunner.class)
public class JXDocumentTest {
    private JXDocument doubanTest;
    @Before
    public void before() throws Exception {
        if (doubanTest == null){
            Document doc = Jsoup.connect("https://book.douban.com/subject_search?start=15&search_text=java&cat=1001").userAgent("Mozilla/5.0 (Windows NT 6.1; WOW64; rv:29.0) Gecko/20100101 Firefox/29.0").get();
            doubanTest = new JXDocument(doc);
        }
    }
    @Test
    @DataProvider(value = {
            "//a/@href",
            "//div[@class='paginator']/span[@class='next']/a/@href",
            "//ul[@class='subject-list']/li[position()<3]/div/h2/allText()",
            "//ul[@class='subject-list']/li[first()]/div/h2/allText()",
            "//ul[@class='subject-list']/li[./div/div/span[@class='pl']/num()>900]/div/h2/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)
            "//ul[@class='subject-list']/li[self::li/div/div/span[@class='pl']/num()>900]/div/h2/allText()", //支持轴
            "//*[@id='content']/div/div[1]/ul/li[14]/div[2]/h2/a/text()" //chrome拷贝
    })
    public void testXpath(String xpath) throws NoSuchFunctionException, XpathSyntaxErrorException, NoSuchAxisException {
        System.out.println("current xpath:"+xpath);
        List<Object> rs = doubanTest.sel(xpath);
        for (Object o:rs){
            if (o instanceof Element){
                int index = ((Element) o).siblingIndex();
                System.out.println(index);
            }
            System.out.println(o.toString());
        }
    }
}

上面测试案例完整地址

1.2.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(中央maven库最新版本0.3.0):

<dependency>
   <groupId>cn.wanghaomiao</groupId>
   <artifactId>JsoupXpath</artifactId>
   <version>0.3.0</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

1.3.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

1.3.1.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!

1.4.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

1.4.1.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。

1.4.2.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']

1.5.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

1.5.1.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)

1.6.操作符

这些操作符可谓足够强大,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

1.6.1.操作符扩展

  • a^=b 字符串a以字符串b开头 a startwith b
  • a*=b a包含b, a contains b
  • a$=b a以b结尾 a endwith b
  • a~=b a的内容符合 正则表达式b
  • a!~b a的内容不符合 正则表达式b

1.6.2.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。

1.7.源码托管

Github

1.8.应用的项目

目前JsoupXpath被大量使用的项目或是组织有:SeimiCrawler

如果您也有项目在使用JsoupXpath,并希望出现在这个列表中,可以通过下面的联系方式联系我,邮件格式可以为:

项目或组织名称:XX
项目或组织URL:http://xxx.xxx.cc