網站首頁 編程語言 正文
引言
最近研究Go爬蟲相關的知識，使用到goquery這個庫比較多，尤其是對爬取到的HTML進行選擇和查找匹配的內容時，goquery的選擇器使用尤其多，而且還有很多不常用但又很有用的選擇器，這里總結下，以供參考。
如果大家以前做過前端開發，對jquery不會陌生，goquery類似jquery，它是jquery的go版本實現。使用它，可以很方便的對HTML進行處理。
基于HTML Element 元素的選擇器
這個比較簡單，就是基于a,p等這些HTML的基本元素進行選擇，這種直接使用Element名稱作為選擇器即可。
比如dom.Find("div")。
func main() {
html := `<body>
<div>DIV1</div>
<div>DIV2</div>
<span>SPAN</span>
</body>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find("div").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})
}
以上示例，可以把div元素篩選出來，而body,span并不會被篩選。
ID 選擇器
這個是使用頻次最多的，類似于上面的例子，有兩個div元素，其實我們只需要其中的一個，那么我們只需要給這個標記一個唯一的id即可，這樣我們就可以使用id選擇器，精確定位了。
func main() {
html := `<body>
<div id="div1">DIV1</div>
<div>DIV2</div>
<span>SPAN</span>
</body>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find("#div1").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})
}
Element ID 選擇器
id選擇器以#開頭，緊跟著元素id的值，使用語法為dom.Find(#id),后面的例子我會簡寫為Find(#id),大家知道這是代表goquery選擇器的即可。
如果有相同的ID，但是它們又分別屬于不同的HTML元素怎么辦？有好辦法，和Element結合起來。比如我們篩選元素為div,并且id是div1的元素，就可以使用Find(div#div1)這樣的篩選器進行篩選。
所以這類篩選器的語法為Find(element#id)，這是常用的組合方法，比如后面講的過濾器也可以采用這種方式組合使用。
Class選擇器
class也是HTML中常用的屬性，我們可以通過class選擇器來快速的篩選需要的HTML元素，它的用法和ID選擇器類似，為Find(".class")。
func main() {
html := `<body>
<div id="div1">DIV1</div>
<div class="name">DIV2</div>
<span>SPAN</span>
</body>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find(".name").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})
}
以上示例中，就篩選出來class為name的這個div元素。
Element Class 選擇器
class選擇器和id選擇器一樣，也可以結合著HTML元素使用，他們的語法也類似Find(element.class)，這樣就可以篩選特定element、并且指定class的元素。
屬性選擇器
一個HTML元素都有自己的屬性以及屬性值，所以我們也可以通過屬性和值篩選元素。
func main() {
html := `<body>
<div>DIV1</div>
<div class="name">DIV2</div>
<span>SPAN</span>
</body>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find("div[class]").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})
}
示例中我們通過div[class]這個選擇器，篩選出Element為div并且有class這個屬性的，所以第一個div沒有被篩選到。
剛剛上面這個示例是采用是否存在某個屬性為篩選器，同理，我們可以篩選出屬性為某個值的元素。
dom.Find("div[class=name]").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})
這樣我們就可以篩選出class這個屬性值為name的div元素。
當然我們這里以class屬性為例，還可以用其他屬性，比如href等很多，自定義屬性也是可以的。
除了完全相等，還有其他匹配方式，使用方式類似，這里統一列舉下，不再舉例
| 選擇器 | 說明 |
|---|---|
| Find(“div[lang]”) | 篩選含有lang屬性的div元素 |
| Find(“div[lang=zh]”) | 篩選lang屬性為zh的div元素 |
| Find(“div[lang!=zh]”) | 篩選lang屬性不等于zh的div元素 |
| Find(“div[lang|=zh]”) | 篩選lang屬性為zh或者zh-開頭的div元素 |
| Find(“div[lang*=zh]”) | 篩選lang屬性包含zh這個字符串的div元素 |
| Find(“div[lang~=zh]”) | 篩選lang屬性包含zh這個單詞的div元素，單詞以空格分開的 |
| Find(“div[lang$=zh]”) | 篩選lang屬性以zh結尾的div元素，區分大小寫 |
| Find(“div[lang^=zh]”) | 篩選lang屬性以zh開頭的div元素，區分大小寫 |
以上是屬性篩選器的用法，都是以一個屬性篩選器為例，當然你也可以使用多個屬性篩選器組合使用，比如：?Find("div[id][lang=zh]"),用多個中括號連起來即可。當有多個屬性篩選器的時候，要同時滿足這些篩選器的元素才能被篩選出來。
parent>child選擇器
如果我們想篩選出某個元素下符合條件的子元素，我們就可以使用子元素篩選器，它的語法為Find("parent>child"),表示篩選parent這個父元素下，符合child這個條件的最直接（一級）的子元素。
func main() {
html := `<body>
<div lang="ZH">DIV1</div>
<div lang="zh-cn">DIV2</div>
<div lang="en">DIV3</div>
<span>
<div>DIV4</div>
</span>
</body>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find("body>div").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})
}
以上示例，篩選出body這個父元素下，符合條件的最直接的子元素div，結果是DIV1、DIV2、DIV3，雖然DIV4也是body的子元素，但不是一級的，所以不會被篩選到。
那么問題來了，我就是想把DIV4也篩選出來怎么辦?就是要篩選body下所有的div元素，不管是一級、二級還是N級。有辦法的，goquery考慮到了，只需要把大于號(>)改為空格就好了。比如上面的例子，改為如下選擇器即可。
dom.Find("body div").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})
prev+next相鄰選擇器
假設我們要篩選的元素沒有規律，但是該元素的上一個元素有規律，我們就可以使用這種下一個相鄰選擇器來進行選擇。
func main() {
html := `<body>
<div lang="zh">DIV1</div>
<p>P1</p>
<div lang="zh-cn">DIV2</div>
<div lang="en">DIV3</div>
<span>
<div>DIV4</div>
</span>
<p>P2</p>
</body>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find("div[lang=zh]+p").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})
}
這個示例演示了這種用法，我們想選擇<p>P1</p>這個元素，但是沒啥規律，我們發現它前面的<div lang="zh">DIV1</div>很有規律，可以選擇，所以我們就可以采用Find("div[lang=zh]+p")達到選擇P元素的目的。
這種選擇器的語法是("prev+next")，中間是一個加號(+)，+號前后也是選擇器。
prev~next選擇器
有相鄰就有兄弟，兄弟選擇器就不一定要求相鄰了，只要他們共有一個父元素就可以。
dom.Find("div[lang=zh]~p").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})
剛剛的例子，只需要把+號換成~號,就可以把P2也篩選出來，因為P2、P1和DIV1都是兄弟。
兄弟選擇器的語法是("prev~next"),也就是相鄰選擇器的+換成了~。
內容過濾器
有時候我們使用選擇器選擇出來后后，希望再過濾一下，這時候就用到過濾器了，過濾器有很多，我們先講內容過濾器這一種。
dom.Find("div:contains(DIV2)").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})
Find(":contains(text)")表示篩選出的元素要包含指定的文本，我們例子中要求選擇出的div元素要包含DIV2文本，那么只有一個DIV2元素滿足要求。
此外還有Find(":empty")表示篩選出的元素都不能有子元素（包括文本元素），只篩選那些不包含任何子元素的元素。
Find(":has(selector)")和contains差不多，只不過這個是包含的是元素節點。
dom.Find("span:has(div)").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})
以上示例表示篩選出包含div元素的span節點。
:first-child過濾器
:first-child過濾器，語法為Find(":first-child")，表示篩選出的元素要是他們的父元素的第一個子元素，如果不是，則不會被篩選出來。
func main() {
html := `<body>
<div lang="zh">DIV1</div>
<p>P1</p>
<div lang="zh-cn">DIV2</div>
<div lang="en">DIV3</div>
<span>
<div style="display:none;">DIV4</div>
<div>DIV5</div>
</span>
<p>P2</p>
<div></div>
</body>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find("div:first-child").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Html())
})
}
以上例子中，我們使用Find("div")會篩選出所有的div元素，但是我們加了:first-child后，就只有DIV1和DIV4了，因為只有這兩個是他們父元素的第一個子元素，其他的DIV都不滿足。
:first-of-type過濾器
:first-child選擇器限制的比較死，必須得是第一個子元素，如果該元素前有其他在前面，就不能用:first-child了，這時候:first-of-type就派上用場了，它要求只要是這個類型的第一個就可以，我們把上面的例子微調下。
func main() {
html := `<body>
<div lang="zh">DIV1</div>
<p>P1</p>
<div lang="zh-cn">DIV2</div>
<div lang="en">DIV3</div>
<span>
<p>P2</p>
<div>DIV5</div>
</span>
<div></div>
</body>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find("div:first-of-type").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Html())
})
}
改動很簡單，把原來的DIV4換成了P2，如果我們還使用:first-child,DIV5是不能被篩選出來的，因為它不是第一個子元素，它前面還有一個P2。這時候我們使用:first-of-type就可以達到目的，因為它要求是同類型第一個就可以。DIV5就是這個div類型的第一個元素，P2不是div類型，被忽略。
:last-child 和 :last-of-type過濾器
這兩個正好和上面的:first-child、:first-of-type相反，表示最后一個，這里不再舉例，大家可以自己試試。
:nth-child(n) 過濾器
這個表示篩選出的元素是其父元素的第n個元素，n以1開始。所以我們可以知道:first-child和:nth-child(1)是相等的。通過指定n，我們就很靈活的篩選出我們需要的元素。
func main() {
html := `<body>
<div lang="zh">DIV1</div>
<p>P1</p>
<div lang="zh-cn">DIV2</div>
<div lang="en">DIV3</div>
<span>
<p>P2</p>
<div>DIV5</div>
</span>
<div></div>
</body>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find("div:nth-child(3)").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Html())
})
}
這個示例會篩選出DIV2，因為DIV2是其父元素body的第三個子元素。
:nth-of-type(n) 過濾器
:nth-of-type(n)和?:nth-child(n)?類似，只不過它表示的是同類型元素的第n個,所以:nth-of-type(1)?和?:first-of-type是相等的，大家可以自己試試，這里不再舉例。
nth-last-child(n) 和:nth-last-of-type(n) 過濾器
這兩個和上面的類似，只不過是倒序開始計算的，最后一個元素被當成了第一個。大家自己測試下看看效果，很明顯。
:only-child 過濾器
Find(":only-child")?過濾器，從字面上看，可以猜測出來，它表示篩選的元素，在其父元素中，只有它自己，它的父元素沒有其他子元素，才會被匹配篩選出來。
func main() {
html := `<body>
<div lang="zh">DIV1</div>
<span>
<div>DIV5</div>
</span>
</body>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find("div:only-child").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Html())
})
}
示例中DIV5就可以被篩選出來，因為它是它的父元素span達到唯一子元素，但DIV1就不是，所以不能唄篩選出來。
:only-of-type 過濾器
上面的例子，如果想篩選出DIV1怎么辦？可以使用Find(":only-of-type"),因為它是它的父元素中，唯一的div元素，這就是:only-of-type過濾器所要做的，同類型元素只要只有一個，就可以被篩選出來。大家把上面的例子改成:only-of-type試試，看看是否有DIV1。
選擇器或(|)運算
如果我們想同時篩選出div,span等元素怎么辦？這時候可以采用多個選擇器進行組合使用，并且以逗號(,)分割，Find("selector1, selector2, selectorN")表示，只要滿足其中一個選擇器就可以被篩選出來，也就是選擇器的或(|)運算操作。
func main() {
html := `<body>
<div lang="zh">DIV1</div>
<span>
<div>DIV5</div>
</span>
</body>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find("div,span").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Html())
})
}
小結
goquery 是解析HTML網頁必備的利器，在爬蟲抓取網頁的過程中，靈活的使用goquery不同的選擇器，可以讓我們的抓取工作事半功倍，大大提升爬蟲的效率。
原文鏈接：https://juejin.cn/post/7145373304117788708
相關推薦
- 2022-04-03 Go語言讀取txt文檔的操作方法_Golang
- 2022-07-31 Windows使用cmd命令行查看、修改、刪除與添加環境變量_DOS/BAT
- 2022-08-07 Python算法練習之二分查找算法的實現_python
- 2022-04-25 C#使用游標實現補間函數_C#教程
- 2022-04-24 解決redis在linux上的部署的問題_Redis
- 2023-01-02 正確在Flutter中添加webview實現詳解_Android
- 2022-02-11 SQL中ISNULL函數使用介紹_數據庫其它
- 2022-09-06 C++詳細講解引用類型_C 語言
- 最近更新
-
- window11 系統安裝 yarn
- 超詳細win安裝深度學習環境2025年最新版（
- Linux 中運行的top命令 怎么退出？
- MySQL 中decimal 的用法？ 存儲小
- get 、set 、toString 方法的使
- @Resource和 @Autowired注解
- Java基礎操作-- 運算符，流程控制 Flo
- 1. Int 和Integer 的區別，Jav
- spring @retryable不生效的一種
- Spring Security之認證信息的處理
- Spring Security之認證過濾器
- Spring Security概述快速入門
- Spring Security之配置體系
- 【SpringBoot】SpringCache
- Spring Security之基于方法配置權
- redisson分布式鎖中waittime的設
- maven:解決release錯誤：Artif
- restTemplate使用總結
- Spring Security之安全異常處理
- MybatisPlus優雅實現加密？
- Spring ioc容器與Bean的生命周期。
- 【探索SpringCloud】服務發現-Nac
- Spring Security之基于HttpR
- Redis 底層數據結構-簡單動態字符串（SD
- arthas操作spring被代理目標對象命令
- Spring中的單例模式應用詳解
- 聊聊消息隊列，發送消息的4種方式
- bootspring第三方資源配置管理
- GIT同步修改后的遠程分支
提供CDN加速