C# NSoup.dll 抓取网页信息

使用选择器语法来查找元素

问题

你想使用类似于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

-----------------------------------------

使用方法：

  public class NETQuery
    {
        Document doc = null;


        public NETQuery(string strUrl, string strEncode) 
        {
            string htmlString = GetStringByUrl(strUrl, strEncode);
            if (!string.IsNullOrWhiteSpace(htmlString))
            {
                doc = NSoup.NSoupClient.Parse(htmlString);
            }
        }


        #region 根据表达式查询数据
        /// <summary>
        /// 根据表达式查询数据
        /// </summary>
        /// <param name="expression">表达式</param>
        /// <returns>返回结果的数据</returns>
        public string QueryValue(string expression)
        {
            string result = "";
            Elements elements = doc.Select(expression);
            result = elements.Html();
            return result;
        } 
        #endregion


        #region 根据表达式查询dom节点
        /// <summary>
        /// 根据表达式查询dom节点
        /// </summary>
        /// <param name="expression">表达式</param>
        /// <returns>返回对应的节点</returns>
        public Elements QueryElements(string expression)
        {
            Elements elements = doc.Select(expression);
            return elements;


        } 
        #endregion




        #region 获取整个网页的html源码
        string GetStringByUrl(string strUrl, string strEncode)
        {
            WebRequest wrt = WebRequest.Create(strUrl);
            WebResponse wrse = wrt.GetResponse();
            Stream strM = wrse.GetResponseStream();
            StreamReader SR = new StreamReader(strM, Encoding.GetEncoding(strEncode));
            string strallstrm = SR.ReadToEnd();
            return strallstrm;
        }
        #endregion


         


      
        
    }

例如：

#region 获取动态页面的内容
        /// <summary>
        /// 获取动态页面的内容
        /// </summary>
        /// <param name="url">URL</param>
        /// <returns>返回结果的字符串</returns>
        public static string GetDTContent(string url)
        {
            string strEncode = "gb2312";
            string strResult = "";
            NETQuery query = new NETQuery(url, strEncode);
            strResult = "<p align=\"left\">";
            strResult =strResult+query.QueryValue("p[align=left]")+"</p>";
            strResult = strResult + "<p align=\"right\">" + query.QueryValue("p[align=right]") + "</p>";
            strResult = strResult + "<div align=\"left\">" + query.QueryValue("div[align=left]")+"</div>";
            List<string> listHref = InsertWDCM.QueryHrefData(strResult);


            #region 获取href
            if (listHref != null && listHref.Count > 0)
            {
                Uri uri = new Uri(url);
                string host = uri.Host;
                host = "http://" + host;
                foreach (string str in listHref)
                {
                    if (!str.Contains("http://"))
                    {
                        string href = host + str;
                        if (Common.FileUploadUtil.ExistWebFile(href))
                        {
                            strResult = strResult.Replace(str, href);
                        }
                        else
                        {
                            strResult = strResult.Replace(str, "");
                        }
                    }
                    else 
                    {
                        if (!Common.FileUploadUtil.ExistWebFile(str))
                        {
                            strResult = strResult.Replace(str,"");
                        }
                    }
                }
            }
            #endregion


            return strResult;
        } 
        #endregion