jsoup是一个html的开源解析器，正像我之前说的那样，这里的j指的是java。所谓解析html最常规的应用场景就是抓取某个html文本，然后获得其中的某个节点的内容(把html当做XML理解就好了)。java解析html的类库不在少数，但是在我接触的这么多开源库中个人觉得jsoup使用起来最为友好，最为简便。说其简便，那是因为它支持jQuery选择器语法。

jsoup是一个开源的java库，主页地址http://jsoup.org。这里简单的介绍下用法，现在有这样一个应用场景，在做apache监控的时候需要获得apache的server-status页面的内容，进而解析出html的内容。虽然apache的status提供了方便机器读取的auto页面，但是其毕竟很有限，如果需要获得连接的详细信息的话就只有抓取html页面进而解析出来。现在假定apache开启mod_status模块，并启用ExtendedStatus。

确认status模块可用，现在抓取连接信息，如下图的内容

现在简单些，要获得每个连接的状态，也就是M列的_、R、W等信息。现在分析源代码。html文本的格式如下图所示：

可见这些内容实际是在一个table标签中，需要获得第一个table，然后找到每个tr标签，然后获得第四个td标签。知道了这些后代码就非常简单，如下图：

中规中矩，一次获得table，frist、tr、td[3]。现在终于到主题，那就是jsoup的选择器语法。官方详解地址：http://jsoup.org/cookbook/extracting-data/selector-syntax。但是有个问题需要知道，那就是虽然支持jQuery选择器语法，但是并不是任何jQuery的写法都支持，比如我选择第一个table是jQuery文档说可以这样写(table:first)，但是jsoup就需要first()方法。

择器概要（Selector overview）

  • Tagname：通过标签查找元素（例如：a）
  • ns|tag：通过标签在命名空间查找元素，例如：fb|name查找fb:name元素
  • #id：通过ID查找元素，例如#logo
  • .class：通过类型名称查找元素，例如.masthead
  • [attribute]：带有属性的元素，例如[href]
  • [^attr]：带有名称前缀的元素，例如[^data-]查找HTML5带有数据集（dataset）属性的元素
  • [attr=value]：带有属性值的元素，例如[width=500]
  • [attr^=value]，[attr$=value]，[attr*=value]：包含属性且其值以value开头、结尾或包含value的元素，例如[href*=/path/]
  • attr=regex]：属性值满足正则表达式的元素，例如img[src=(?i).(png|jpe?g)]
  • ：所有元素，例如

选择器组合方法

  • el#id:：带有ID的元素ID，例如div#logo
  • el.class：带类型的元素，例如. div.masthead
  • el[attr]：包含属性的元素，例如a[href]
  • 任意组合：例如a[href].highlight
  • ancestor child：继承自某祖（父）元素的子元素，例如.body p查找“body”块下的p元素
  • parent > child：直接为父元素后代的子元素，例如: div.content > pf查找p元素，body > * 查找body元素的直系子元素
  • siblingA + siblingB：查找由同级元素A前导的同级元素，例如div.head + div
  • siblingA ~ siblingX：查找同级元素A前导的同级元素X例如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（Pseudo selectors）

  • :lt(n)：查找索引值（即DOM树中相对于其父元素的位置）小于n的同级元素，例如td:lt(3)
  • :gt(n)：查找查找索引值大于n的同级元素，例如div p:gt(2)
  • :eq(n) ：查找索引值等于n的同级元素，例如form input:eq(1)
  • :has(seletor)：查找匹配选择器包含元素的元素，例如div:has(p)
  • :not(selector)：查找不匹配选择器的元素，例如div:not(.logo)
  • :contains(text)：查找包含给定文本的元素，大小写铭感，例如p:contains(jsoup)
  • :containsOwn(text)：查找直接包含给定文本的元素
  • :matches(regex)：查找其文本匹配指定的正则表达式的元素，例如div:matches((?i)login)
  • :matchesOwn(regex)：查找其自身文本匹配指定的正则表达式的元素
  • 注意：上述伪选择器是0-基数的，亦即第一个元素索引值为0，第二个元素index为1等

既然都说出了API那么现在还远远不够。最原始的代码为

1
2
3
4
5
6
Elements elements = doc.select(“table”).first().select(“tr”);
Iterator it = elements.iterator();
it.next();
while(it.hasNext()){
	System.out.println(it.next().select(“td”).get(3).text());
}

但是呢这明显很丑陋，于是在看了API之后竟代码改进如下

1
2
Elements elements = doc.select(“table tr td:eq(3)”);
System.out.println(elements);

一个选择器实现选中table 下的tr中的所有第三个td元素，但是在第一个table处写:eq()等没有效果，不知道是什么原因，这个我还要再想想。运行结果截图就不贴出来了。就到这里了。