官方qq群:569543649(讨论dungproxy,vscrawler,sipSoup以及日常聊天吹水)
sipsoup是一个基于Jsoup的xpath实现,他将Jsoup的cssQuery变成了xpath语法的一部分,可以实现在xpath内部执行cssQuery和xpath混合模式的链式文档查询
是一款纯Java开发的使用xpath解析html的解析器,xpath语法分析与执行完全独立,html的DOM树生成借助Jsoup。
sipSoup本身也应该叫做Xsoup,JsoupXpath之类的,但是他出身太晚了,名字被占了,但是我觉得还是应该喝汤,所以我喜欢sipSoup这个名字。
每一个爬虫框架作者都应该实现一个xpath, sipsoup 出现也是如此,在我设计爬虫框架vscrawler的时候,考虑如何定位抽取数据,甚至如何整合其他爬虫框架的抽取API, 然后调研了Xsoup和JsoupXpath,看到JsoupXpath眼前一亮,我觉得他肯定适合我的需要,所以尝试使用JsoupXpath对接了Xsoup,因为JsoupXpath实现了xpath2.0的绝大部分语法功能, 使用JsoupXpath可以非常灵活自由的实现xpath。但是在整合的过程,我发现JsoupXpath有一点不符合我的需求,就是他都是运行的适合抛错,我希望能够在编译xpath表达式的时候,就可以做语法 检查,我希望JsoupXpath可以类似Xsoup一样做链式抽取,我希望规则模型可以缓存。所以尝试着对JsopXpath进行重构。
SipSoup本质是对JsoupXpath重构而来的,里面少部分代码仍然是JsoupXpath的,这里非常感谢JsoupXpath,但是绝大部分代码都被替换了,所以本身SipSoup不算依赖JsoupXpath(组件结构几乎还和JsoupXpath保持了一致)。 目前看来,SipSoup完全兼容JsoupXpath,因为它本身自JsoupXpath发展而来。关于JsoupXpath的相关资料,参考 JSoupXpath
以下为改动点
- 函数重构,JsoupXpath使用反射加载一个类里面的静态函数,SipSoup则是使用接口实现的方式扩展
- 类扫描,默认函数注册,是通过扫描器自动注册,如果你需要扩展自己的函数,可以将自己的函数实现放到com.virjar.sipsoup.function,就能够自动注册
- 轴函数,SipSoup不光支持一般的谓语函数扩展,同时支持轴函数,抽取函数扩展。而且允许函数带参数
- css('cssQuery') css是SipSoup内置的重要轴函数,它可以将css查询表达式传递给css轴,这是SipSoup一个大的突破,他比Xsoup更加容易的实现了css和xpath混合链式抽取
- 复杂谓语,目前来说,SipSoup对谓语的支持是我发现的最完善的,支持函数嵌套,表达式嵌套,括号嵌套,处理空格,转义等问题。SipSoup的谓语模块,是我花了整整一天写出来的计算器😄
- 谓语数据类型扩展,在xpath语法中,我定义了数据类型分为: 字符串,数字,运算符,xpath,函数,属性取值动作,布尔类型,复合表达式 这几种类型,其中除运算符以外的其他数据类型都是可以扩展或者卸载的。(boolean类型是开始设计的时候没有的类型,然后通过这个机制注册了boolean,后来又将其添加到了默认类型了)
- 运算符重载,运算符重载一般c++ 听得挺多,含义就是可以通过重载运算符实现操作符的行为改写。比如"+"加法操作,遇到数字执行加法,遇到字符串执行字符串链接,你可以重写他,遇到数字转化数字,失败使用默认值等等
- 多xpath组合逻辑,可以实现多个xpath的多重与或计算,对应集合实现交集,并集计算
总之,SipSoup已经是一个高度扩展的Xpath语法分析器,通过灵活的扩展以及Jsoup整合,成为了一个异常强大的xpath工具
demo如下:
- 格式化输出节点文本 allText allText()
- position使用,选取所有偶数节点 position
- 注册新的函数 RegisterNewFunctionTest.java
- 注册新的操作符 运算符重载
- 福利,美女爬虫 实际demo
风*语法展示:
<ul class="ad-thumb-list">
<a href="www.java1234.com/test.jpg">这是一个混淆的图片数据</a>
<li>
<div class="inner">
<a href="http://image11.m1905.cn/uploadfile/2015/0608/20150608044330688388.jpg"><img src="http://image14.m1905.cn/uploadfile/2015/0608/thumb_1_147_100_20150608044330688388.jpg" title="" alt="" class="image0" /></a>
</div> </li>
<li>
<div class="inner">
<a href="http://image13.m1905.cn/uploadfile/2015/0608/20150608044328940773.jpg"><img src="http://image11.m1905.cn/uploadfile/2015/0608/thumb_1_147_100_20150608044328940773.jpg" title="" alt="" class="image1" /></a>
</div> </li>
<li>
<div class="inner">
<a href="http://image13.m1905.cn/uploadfile/2015/0608/20150608044328954604.jpg"><img src="http://image13.m1905.cn/uploadfile/2015/0608/thumb_1_147_100_20150608044328954604.jpg" title="" alt="" class="image2" /></a>
</div> </li>
<ul></ul>
</ul>
这个文本,需要提取所有偶数行的a标签的图片的链接信息,对应xpath表达式可以这么写
//css('.ad-thumb-list .inner')::a[position(parent(2)) %2 =0]/@href
语法解释
css('.ad-thumb-list .inner')::
这是css轴的运用,这个表达式定位到了所有的图片数据(其中"<a href="www.java1234.com/test.jpg">这是一个混淆的图片数据"将会被过滤)a[position(parent(2)) %2 =0]
这是复杂谓语的一个简单应用,首先a[xxx]定位到a标签,然后使用parent函数得到他的爷爷节点,(parent函数可以带参数,必须是一个数字,2代表父亲的父亲,也就是得到了li标签)- 然后使用position函数得到这个li元素的position偏移,也就是他是第几个li。
- 最后,让他和2取模,如果结果为0,代表他就是偶数资源
<!-- xpath -->
<dependency>
<groupId>com.virjar</groupId>
<artifactId>sipsoup</artifactId>
<version>RELEASE</version>
</dependency>
考虑国内很多同学使用webMagic,webMagic内置的xpath是XSoup,如果想再WebMagic中使用SipSoup,那也是很容易实现的,SipSoup提供了到XSoup的桥接器。几行配置即可实现SipSoup到XSoup的替换 参见项目xsoup-to-sipsoup
所有支持的函数,可以通过如下demo得到 解析函数的demo
轴函数 :ancestor
轴函数 :ancestorOrSelf
轴函数 :cacheCss
轴函数 :child
轴函数 :css
轴函数 :descendant
轴函数 :descendantOrSelf
轴函数 :followingSibling
轴函数 :followingSiblingOne
轴函数 :parent
轴函数 :precedingSibling
轴函数 :precedingSiblingOne
轴函数 :self
轴函数 :sibling
谓语过滤函数 :|abs
谓语过滤函数 :|allText
谓语过滤函数 :|boolean
谓语过滤函数 :|concat
谓语过滤函数 :|contains
谓语过滤函数 :|false
谓语过滤函数 :|first
谓语过滤函数 :|hasClass
谓语过滤函数 :|last
谓语过滤函数 :|lower-case
谓语过滤函数 :|matches
谓语过滤函数 :|name
谓语过滤函数 :|not
谓语过滤函数 :|nullToDefault
谓语过滤函数 :|parent
谓语过滤函数 :|position
谓语过滤函数 :|root
谓语过滤函数 :|string
谓语过滤函数 :|string-length
谓语过滤函数 :|substring
谓语过滤函数 :|text
谓语过滤函数 :|toDouble
谓语过滤函数 :|toInt
谓语过滤函数 :|true
谓语过滤函数 :|try
谓语过滤函数 :|upper-case
抽取函数 :allText
抽取函数 :@
抽取函数 :html
抽取函数 :node
抽取函数 :num
抽取函数 :outerHtml
抽取函数 :self
抽取函数 :tag
抽取函数 :text
轴函数是定义节点塞选域的函数,在一个xpath表达式节点中,轴是可选的。但是如果存在轴,那么他的作用则是根据当前的节点集产生新的一片候选节点集。 SipSoup的轴和标准Xpath的轴保持兼容,但是也有一个地方不一样,就是SipSoup的轴允许带有参数,轴参数目前只支持字符串,可以支持多个字符串的参数。
轴函数列表
函数名称 | 参数 | 作用 |
---|---|---|
ancestor | 无 | 全部祖先节点 父亲,爷爷 , 爷爷的父亲... |
ancestorOrSelf | 无 | 全部祖先节点和自身节点 |
cacheCss | css query表达式 | 内部实现路由至Jsoup的select,和css轴不一样的是,cacheCss会对css规则进行缓存,在遇到大量同类型网页的解析的时候,可能一个css规则被多次使用,缓存css能够减少css规则编译的消耗,提升性能 |
child | 无 | 直接子节点 |
css | css query表达式 | 内部实现路由至Jsoup的select |
descendant | 无 | 全部子代节点 儿子,孙子,孙子的儿子... |
descendantOrSelf | 无 | 全部子代节点和自身 |
following-sibling | 无 | 节点后面的全部同胞节点following-sibling |
following-sibling-one | 无 | 返回下一个同胞节点(扩展) 语法 following-sibling-one |
parent | 无 | 父节点 |
preceding-sibling | 无 | 节点前面的全部同胞节点,preceding-sibling |
preceding-sibling-one | 无 | 返回前一个同胞节点(扩展),语法 preceding-sibling-one |
self | 无 | 自身 |
sibling | 无 | 全部同胞(扩展) |
抽取函数用来对结果集进行转换,他是一些简单的数据抽取函数,如提取所有文本,提取某个属性等等,抽取函数目前不会太多。抽取结果可能为元素,也能为字符串。请注意,如果xpath节点中,存在抽取函数,而且抽取函数返回类型为字符串,那么这个函数应该是这个xpath节点链的末尾节点。因为每个抽取节点开始的时候,将会执行过滤,只会将element作为下一轮抽取的输入。
轴函数列表(哪位大神能帮我调整以下表格布局,真丑,我不喜欢)
函数名称 | 参数 | 作用 |
---|---|---|
allText | 无 | 递归获取节点内全部的纯文本,将block的html元素转化为换行符,能够保持原有的html的段落结构,但是不能保持布局结构 |
@ | 无 | 抽取当前节点的某个属性,数据内部函数,外界不可直接调用,原因是函数语法识别器不会识别"@"函数,但是"@"操作符本身内部是转化抽取函数了 |
html | 无 | 获取全部节点的内部的html |
node | 无 | 获取全部节点的html |
num | 无 | 抽取节点自有文本中全部数字 |
outerHtml | 无 | 获取全部节点的 包含节点本身在内的全部html |
self | 无 | 放弃抽取,保留自身。xpath默认会对当前节点的子节点进行操作,而有些时候轴函数定位到的节点就是需要的数据了,所以不需要在使用抽取函数计算新节点了,主要用在tag函数不能解决的场景下 |
tag | tagName | 内部函数,xpath 语法中的tag字段,默认路由到此函数处理//div[@class] 这里的div在运行时会转化为 //tag('div')[@'class'] 这两个表达式等价,但是第一个表达式才是xpath常规思路,而且对SipSoup这两个表达式性能完全一样 |
text | 无 | 只获取节点自身的子文本 |
allUrl | 无 | 获取当前节点元素的所有链接信息,包括如下标签:a,script,link,img,iframe。 在实现静态网站抓取的时候比较有用 |
过滤函数用在谓语中,过滤函数非常强大,因为它能够递归的使用函数,配合操作符,实现复杂的表达式计算,
过滤函数列表
函数名称 | 参数 | 作用 |
---|---|---|
abs | 数字,可以是整数或者小数 | 返回参数的绝对值。例子:abs(-3.14) 结果:3.14 |
allText | 无 | 获取元素下面的全部文本 |
boolean | 数字,boolean,字符串 | 返回数字、字符串的布尔值。如果没有参数,则默认返回false,如果本身是boolean,返回boolean,如果是字符串,尝试转化为boolean,如果是整数,非零为真。其他类型的数字,大于零为真。剩余场景全部返回false |
concat | 多个参数,可以为任意类型 | 返回字符串的拼接,例子:concat('XPath ','is ','FUN!') 结果:'XPath is FUN!',如果非字符串,则转化为字符串后执行字符串拼接 |
contains | 两个参数,左右都为字符串,测试左侧字符串中是否包含右侧字符串 | 如果 string1 包含 string2,则返回 true,否则返回 false |
false | 无 | 返回布尔值 false |
first | 无 | 判断一个元素是不是同名同胞中的第一个,可以使用position函数代替,迁移自JSoupXpath的函数 |
hasClass | 字符串,为css的class样式名称 | css规则的className,实际上会调用Jsoup的hasClass方法(Jsoup本身的抽取器也是调用这个方法的) |
last | 无 | 判断一个元素是不是最后一个同名同胞中的 |
lower-case | 一个参数,类型为字符串 | 转化字符串为大写 |
matches | 两个参数,类型为字符串 | 如果 string 参数匹配指定的模式,则返回 true,否则返回 false,例子:matches("Merano", "ran") 结果:true |
name | 无 | 获取当前节点的节点名称 |
not | 和boolean的参数相同 | 首先通过 boolean() 函数把参数还原为一个布尔值。如果该布尔值为 false,则返回 true,否则返回 true |
nullToDefault | 两个参数,任意类型 | 如果第一个参数的值为null,则第三个参数作为本函数的返回值,否则第一个参数为本函数的返回值 |
parent | 一个或者零个参数,均为正整数类型 | 如果没有参数,则获取当前节点的父亲节点,返回值为element类型,如果传递了参数,则指定n代祖先对应节点 |
position | 一个或者零个参数,为节点类型 | 如果没有传递参数,或者第一个参数计算结果为null,则返回当前节点在兄弟节点中的位置。否则返回传入的节点相对于传入节点兄弟节点的位置 |
root | 无 | 返回当前节点的根节点,一般是document节点 |
string | 一个参数,任意类型 | 返回参数的字符串值。参数可以是数字、逻辑值 |
string-length | 一个参数,字符串类型 | 返回字符的长度 |
substring | 两个或者参数 | 第一个参数为字符串类型,第二个参数为数字,第三个参数如果存在,也必须是数字类型。本函数返回字符串对应子串。第二个参数为起始偏移,如果第三个参数存在,则第三个参数为结尾偏移,否则结尾为字符串末尾 |
text | 无 | 获取元素自己的子文本 |
toDouble | 一个或者两个参数,第一个需要是数字,第二个如果存在,则需要是double类型 | 将一个字符串转化为double,如果转化失败,尝试使用默认值返回 |
toInt | 个或者两个参数,第一个需要是数字,第二个如果存在,则需要是int类型 | 将一个字符串转化为int,如果转化失败,尝试使用默认值返回 |
true | 无 | 返回布尔值 true |
try | 异常处理,0,1,2个参数 | 如果参数为空,返回true,如果第一个参数对应语法节点无异常执行,则返回第一个参数。否则返回第二个参数(此时如果第二个参数不存在,返回false) |
upper-case | 一个参数,类型为字符串 | 转化字符串为小写 |
目前操作符相关,迁移自JSoupXpath其运算规则和JSoupXpath保持一致,SipSoup支持多个运算符组合,所以涉及操作符优先级问题(除非非常常见的用法,一般建议使用括号手动确定优先级) 操作符和对应优先级如下表,其中优先级高越优先的到计算,如果操作符优先级相同,则按照从左往右的顺序计算。
各运算符优先级定义
+ :20 加法运算
- :20 减法运算
* :30 乘法运算
/ :30 除法运算
% :30 取模运算
&& :0 逻辑且运算
|| :0 逻辑或运算
and :0 逻辑且运算,等价于&&
or :0 逻辑或运算,等价于||
= :10 相等判断,逻辑运算
> :10 大于,逻辑运算
< :10 小于,逻辑运算
>= :10 大于等于,逻辑运算
<= :10 小于等于,逻辑运算
*= :10 包含,测试表达式左侧数据是否包含表达式右侧数据,仅适用于字符串,逻辑运算
$= :10 以xxx结尾,测试左侧数据是否以表达式右侧数据结尾,仅适用于字符串,逻辑运算
^= :10 以xxx开始,测试左侧数据是否以表达式右侧数据开始,仅适用于字符串,逻辑运算
!= :10 不等于,和"="作用相反,逻辑运算
~= :10 模式匹配,测试左侧数据是否符合右侧字符串代表的正则表达式模式,仅适用于字符串,逻辑运算
!~ :10 不匹配,与"~="相反,如果左侧数据不匹配右侧字符串代表的正则表达式,则返回true
操作符计算涉及到数据类型升级问题,如一个整形数据和一个长整形计算,将会转化为长整形。SipSoup默认支持较好的数字类型有:int,long,double(float按double处理),BigDecimal,并且会根据一般的惯例处理转型计算的问题
特别说明,对于+
有两个动作,如果遇到数字,则执行数字加法,如果遇到字符串,则执行字符串链接。如果你觉得不应该有这个表现,可以通过重写操作符的方式修改
- 注册或重写新的函数 RegisterNewFunctionTest.java
- 注册或重写新的操作符 运算符重载
- 注册新的数据类型 TokenAnalysisRegistry.java 这里不展示细节了,如果你需要这个功能了,那么你对SipSoup的源代码应该足够了解,应该可以独立驾驭这个类,并根据SipSoup定义的规范识识别新数据类型的格式,以及消费转化为特性计算节点模型