JsoupXpath 是一款纯Java开发的使用xpath解析提取html数据的解析器，针对html解析完整实现了W3CXPATH1.0标准语法，xpath的Lexer和Parser基于Antlr4构建，html的DOM树生成采用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好用的xpath解析器，故开发了JsoupXpath。JsoupXpath的实现逻辑清晰，扩展方便，支持完备的W3CXPATH1.0标准语法，W3C规范：https://www.w3.org/TR/1999/REC-xpath-19991116 ，JsoupXpath语法描述文件Xpath.g4
快速开始maven依赖：
cn.wanghaomiao JsoupXpath ${latest-release-version}示例：
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);Listrs = 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 org.seimicrawler.xpath.JXDocumentTest，这里有大量的测试用例
语法
支持完备的W3CXPATH1.0标准语法，W3C规范：https://www.w3.org/TR/1999/REC-xpath-19991116
这里是JsoupXpath的基于Antlr4的语法解析树示例，方便大家更快速的一览JsoupXpath的语法处理能力与语法解析执行过程
//ul[@class='subject-list']/li[./div/div/span[@class='pl']/num()>(1000+90*(2*50))][last()][1]/div/h2/allText() 这个主要是一些表达式嵌套的解析示例，点击图片可以查看大图
//ul[@class='subject-list']/li[not(contains(self::li/div/div/span[@class='pl']//text(),'14582'))]/div/h2//text()这个是对内置函数支持的一个解析示例，点击图片可以查看大图
关于使用Xpath的一些注意事项多数情况下是不建议直接粘贴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intposition() 返回当前节点在其所在上下文中的位置
intlast() 返回所在上下文的最后那个节点位置
intfirst() 返回所在上下文的的第一个节点位置
stringconcat(string,string,string*) 连接若干字符串
booleancontains(string,string) 判断第一个字符串是否包含第二个
intcount(node-set) 计算给定的节点集合中节点个数
booleanstarts-with(string,string) 判断第一个字符串是否以第二个开头
intstring-length(string?) 如果给定了字符串则返回字符串长度，如果没有，那么则将当前节点转为字符串并返回长度
stringsubstring(string,number,number?) 第一个参数指定字符串，第二个指定起始位置（xpath索引都是从1开始），第三指定要截取的长度，这里要注意在xpath的语法里这，不是结束的位置。
substring("12345",1.5,2.6)returns"234"
substring("12345",2,3)returns"234"
stringsubstring-ex(string,number,number) 第一个参数指定字符串，第二个指定起始位置(java里的习惯从0开始)，第三个结束的位置（支持负数），这个是JsoupXpath扩展的函数，方便java习惯的开发者使用。
stringsubstring-after(string,string) 在第一个字符串中截取第二个字符串之后的部分
stringsubstring-before(string,string) 在第一个字符串中截取第二个字符串之前的部分
开发者添加函数以上只是Xpath1.0标准中的函数，开发亦可以方便快捷的添加自定义函数，只需实现 org.seimicrawler.xpath.core.Function.java接口并且包路径为packageorg.seimicrawler.xpath.core.function;即可，不需要修改语法范式，JsoupXpath运行时即可自动识别并加载（并不一定非要在一个jar中）。对于标准语法中目前JsoupXpath还未实现的函数，欢迎大家向主仓库提交Pullrequest，一起添砖添瓦。
NodeTestallText()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。
text() 提取节点的自有文本
node() 提取所有节点
轴AxisName: 'ancestor' //在当前上下文中节点的祖先中选择 | 'ancestor-or-self' //在当前上下文中节点的祖先及包括自身中选择 | 'attribute' //标记做提取节点属性运算 | 'child' //在当前上下文中节点的子节点中选择 这是xpath默认的轴，如 /div/li 就是 /div/child::li 的简写 | 'descendant' //在当前上下文中节点的后代中选择 | 'descendant-or-self' //在当前上下文中节点的后代包括自身中选择 | 'following' //在当前上下文中节点后面的全部节点中选择 | 'following-sibling' //在当前上下文中节点后面的全部同胞节点中选择 | 'parent' //在当前上下文中节点的父亲节点中选择 | 'preceding' //在当前上下文中节点前面的全部节点中选择 | 'preceding-sibling' //在当前上下文中节点前面的全部同胞节点中选择 | 'self' //当前上下文中选择 | 'following-sibling-one' //在上下文中节点的前一个同胞节点中选择（JsoupXpath扩展） | 'preceding-sibling-one' //在上下文中节点的下一个同胞节点选择(JsoupXpath扩展) | 'sibling' //全部同胞(JsoupXpath扩展)(开发中。。。) ;操作符MINUS : '-'; PLUS : '+'; DOT : '.'; MUL : '*'; DIVISION : '`div`'; MODULO : '`mod`'; DOTDOT : '..'; AT : '@'; COMMA : ','; PIPE : '|'; LESS : '<'; MORE_ : '>'; LE : '='; START_WITH : '^='; // `a^=b` 字符串a以字符串b开头 a startwith b （JsoupXpath扩展） END_WITH : '$='; // `a*=b` a包含b, a contains b （JsoupXpath扩展） CONTAIN_WITH : '*='; // a包含b, a contains b （JsoupXpath扩展） REGEXP_WITH : '~='; // a的内容符合 正则表达式b （JsoupXpath扩展） REGEXP_NOT_WITH : '!~'; //a的内容不符合 正则表达式b （JsoupXpath扩展）
评论