Jsoup :has() 选择器未按预期工作

Posted 2023-03-06

【中文标题】Jsoup :has() 选择器未按预期工作

【英文标题】：Jsoup :has() selector not working as expected

【发布时间】：2016-06-22 09:36:49

【问题描述】：

我正在尝试解析包含多个具有以下结构的单元格的 html 表格：

<td id="topic1234">
    <a name='1234'></a>
    <b><a href='/url'>Title</a><b>
    <span class='s'>Details</span>
</td>
<td id="topic2345">
    <a name='2345'></a>
    <b><a href='/url'>Title</a><b>
    <span class='s'>Details</span>
</td>
...

'id' 属性、'a' 元素带有 'href' 属性和 'span' 元素是重要的细节，这两个元素是直接嵌套的。 我尝试使用

select("[id^=topic]"
          + ":has(> b > a[href])"
          + ":has(> span.s)")

但结果列表为空。当我将其更改为：

select("td[id^=topic]"
          + ":has(td > b > a[href])"
          + ":has(td > span.s)")

但我不希望选择器依赖于根元素是“td”这一事实，并且根据文档判断，前者也应该可以工作。以下也不起作用：

select("[id^=topic]"
          + ":has(:root > b > a[href])"
          + ":has(:root > span.s)")

我在这里做错了吗？顺便使用Jsoup 1.8.3。

【问题讨论】：

:root 不起作用，因为无论选择器的范围如何，它总是引用文档根 - 在 HTML 中，这通常是 。在 selectors-4 中，这通常由 :scope 表示 - 我怀疑它在 jsoup 中是否有效，但......

也许 :has(> b >...) 不起作用，因为 jsoup 也不支持相对选择器，在这种情况下，您可能不得不求助于选择 [id^=...] 元素并分别检查其子元素。在这种情况下，您可以使用选择器获得的最接近的是:has(b >...)，但我相信您知道这并不意味着完全相同。

您的完整 HTML 结构如何？我的意思是，<td> 元素是否存在于<table> 标签中？我问你这个是因为根据this answer，JSoup 无法检测到“孤独”tds。

@user2340612：好吧，考虑到问题的第一句话，我假设单元格实际上存在于表格中。

@user2340612：无论哪种方式都明确无害 :)

【参考方案1】：

:has(selector) 中的选择器包含父元素。我不认为 >b 是 JSoup 中的有效选择器，但 *>b 应该没问题，它允许任何父元素。所以这应该有效：

select("[id^=topic]"
      + ":has(* > b > a[href])"
      + ":has(* > span.s)")

Edit1 回应评论：

为了使:has(selector) 的选择器更有可能是[id^=topic] 的直接子代，您也可以这样做：

select("[id^=topic]"
      + ":has([id^=topic] > b > a[href])"
      + ":has([id^=topic] > span.s)")

这当然仍然不能保证，因为父级的内部子级也可能带有一个以topic 开头的 id。

编辑2

类似于solution of user2340612，您可以通过将选择器分成两部分来确保。首先，我们匹配所有 id 以 topic 开头的元素。然后我们循环这些并构造一个包含特定 id 的新选择器。只要所有元素的 id 都是独立的，这将起作用。

String html = "<table><tr><td id=\"topic1234\">" +
        "<a name='1234'></a>" +
        "<div><b><a href='/url'>Title</a></b></div>" +
        "<span class='s'>Details</span></td>\n" +
        "<td id=\"topic2345\">\n" +
        "    <a name='2345'></a>\n" +
        "    <b><a href='/url'>Title</a></b>\n" +
        "    <span class='s'>Details</span>\n" +
        "</td>"+
        "<td id=\"topic3456\">\n" +
        "    <div id=\"topic4567\"><a name='3456'></a>\n" +
        "    <b><a href='/url'>Title</a></b>\n" +
        "    <span class='s'>Details</span>\n" +
        "    </div>" +
        "</td></tr></table>";

Document doc = Jsoup.parse(html);
Elements selected = doc.select("[id^=topic]");
for (Element elem : selected) 
  String idStr = elem.attr("id");
  Element el = elem.select(":has(#"+idStr+" > b > a[href]):has(#"+idStr+" > span.s)").first();
  if (el != null)
      System.out.println("found matching element: "+el);
  
  if (el != null)
      System.out.println("does not really match: "+el);
  

【讨论】：

请注意，:has(* > b) 等价于 :has(b)，即使 b 不是具有 id 的元素的子元素，而是其中某个其他元素的子元素，它也会匹配.

感谢您的回复。您的第二个选项对我来说很好，因为 topic ID 没有嵌套。

【参考方案2】：

我认为不可能为您的需要编写单个选择器，因为 JSoup 不支持像 :has(> tag) 这样的语法。

不过，我认为您可以将选择器拆分为多个部分：

String html = "<table><td id=\"topic1234\">" +
                  "<a name='1234'></a>" +
                  "<div><b><a href='/url'>Title</a></b></div>" +
                  "<span class='s'>Details</span></td>\n" +
                  "<td id=\"topic2345\">\n" +
                  "    <a name='2345'></a>\n" +
                  "    <b><a href='/url'>Title</a></b>\n" +
                  "    <span class='s'>Details</span>\n" +
                  "</td></table>"

Document doc = Jsoup.parse(html);
Elements selected = doc.select("[id^=topic]");
for (Element elem : selected) 
    // Check if "b > a[href]" is a direct child of "td"
    if (elem.select(":root > b > a[href]").size() > 0) 
        System.out.println("Found: "+elem);
     else 
        System.out.println("Not found:"+elem);
    

即html代码如下：

<table>
    <td id="topic1234">
        <a name="1234"></a>
        <div>
            <b><a href="/url">Title</a></b>
        </div>
    <span class="s">Details</span></td>
    <!-- second line -->    
    <td id="topic2345">
        <a name="2345"></a>
        <b><a href="/url">Title</a></b>
        <span class="s">Details</span>
    </td>
</table>

返回：

Not found:<td id="topic1234"><a name="1234"></a>
 <div>
  <b><a href="/url">Title</a></b>
 </div><span class="s">Details</span></td>
Found: <td id="topic2345"> <a name="2345"></a> <b><a href="/url">Title</a></b> <span class="s">Details</span> </td>

显然同样可以应用于第二个条件（即span.s）

请注意，在这种情况下 :root 选择器有效，因为 elem 的根元素是 td 而不是 table