使用jsoup选择器来查找元素

问题背景 使用java爬取拉勾网上职位信息。 首先，解析拉勾网职位信息网页，找出需要提取的信息并存入数据库。 之前尝试的方法：使用过解析json文件，但每个json文件只有15条信息，而且同一电脑多次访问网站会遇到限制（反爬虫）。                            解析网页时使用正则表达式：优点：代码简介；缺点：正则表达式较为复杂，新手理解较为困难。  目前解决的办法：使用第三方库jsoup解析网页，获得想要的数据。    遇到的问题 需要使用类似于CSS或jQuery的语法来查找和操作元素。 方法 可以使用Element.select(String selector) 和 Elements.select(String selector) 方法实现： File input = new File("/tmp/input.html"); Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/"); Elements links = doc.select("a[href]"); //带有href属性的a元素 Elements pngs = doc.select("img[src$=.png]"); //扩展名为.png的图片 Element masthead = doc.select("div.masthead").first(); //class等于masthead的div标签 Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素 说明 jsoup elements对象支持类似于CSS (或jquery)的选择器语法，来实现非常强大和灵活的查找功能。. 这个select 方法在Document, Element,或Elements对象中都可以使用。且是上下文相关的，因此可实现指定元素的过滤，或者链式选择访问。 Select方法将返回一个Elements集合，并提供一组方法来抽取和处理结果。 Selector选择器概述 tagname: 通过标签查找元素，比如：a ns|tag: 通过标签在命名空间查找元素，比如：可以用 fb|name 语法来查找 <fb:name> 元素 #id: 通过ID查找元素，比如：#logo .class: 通过class名称查找元素，比如：.masthead [attribute]: 利用属性查找元素，比如：[href] [^attr]: 利用属性名前缀来查找元素，比如：可以用[^data-] 来查找带有HTML5 Dataset属性的元素 [attr=value]: 利用属性值来查找元素，比如：[width=500] [attr^=value], [attr$=value], [attr*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素，比如：[href*=/path/] [attr~=regex]: 利用属性值匹配正则表达式来查找元素，比如： img[src~=(?i)\.(png|jpe?g)] *: 这个符号将匹配所有元素 Selector选择器组合使用 el#id: 元素+ID，比如： div#logo el.class: 元素+class，比如： div.masthead el[attr]: 元素+class，比如： a[href] 任意组合，比如：a[href].highlight ancestor child: 查找某个元素下子元素，比如：可以用.body p 查找在"body"元素下的所有 p元素 parent > child: 查找某个父元素下的直接子元素，比如：可以用div.content > p 查找 p 元素，也可以用body > * 查找body标签下所有直接子元素 siblingA + siblingB: 查找在A元素之前第一个同级元素B，比如：div.head + div siblingA ~ siblingX: 查找A元素之前的同级X元素，比如：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selectors :lt(n): 查找哪些元素的同级索引值（它的位置在DOM树中是相对于它的父节点）小于n，比如：td:lt(3) 表示小于三列的元素 :gt(n):查找哪些元素的同级索引值大于n，比如： div p:gt(2)表示哪些div中有包含2个以上的p元素 :eq(n): 查找哪些元素的同级索引值与n相等，比如：form input:eq(1)表示包含一个input标签的Form元素 :has(seletor): 查找匹配选择器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素 :not(selector): 查找与选择器不匹配的元素，比如： div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表 :contains(text): 查找包含给定文本的元素，搜索不区分大不写，比如： p:contains(jsoup) :containsOwn(text): 查找直接包含给定文本的元素 :matches(regex): 查找哪些元素的文本匹配指定的正则表达式，比如：div:matches((?i)login) :matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素 注意：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等 可以查看Selector API参考来了解更详细的内容   测试代码： public static void main(String[] args) {         // TODO Auto-generated method stub          try {                 Document document=Jsoup.connect("http://www.lagou.com/jobs/857555.html?source=position_rec&i=position_rec-0").get();                 Element element=document.select("meta[name]").get(2);                 /*获得含有工作名称、公司名称的字符串,之后可以进行进一步的解析*/                 System.out.println(element.attr("content"));                 /*获得工资字符串*/                 Element salary=document.getElementsByTag("span").get(3);                 System.out.println(salary.text());                 /*获得公司地址*/                 Element address=document.getElementsByTag("span").get(4);                 System.out.println(address.text());                 / *获得工作经验*/                 Element experience=document.getElementsByTag("span").get(5);                 System.out.println(experience.text());                 /*获得学历要求*/                 Element education=document.getElementsByTag("span").get(6);                 System.out.println(education.text());                 /*查找领域、融资情况*/                 Elements results=document.select(".c_feature").select("li");                 /*领域*/                 System.out.println(results.get(0).text());                 /*融资*/                 System.out.println(results.get(3).text());          } catch (IOException e) {                 // TODO: handle exception                 e.printStackTrace();         } } ------------------------------------------------------------个人原创---------------------------------------------------------------------