使用JSOUP从html表中提取非结构化数据
[英]Extracting Unstructured data from html table using JSOUP
问题描述
我一直在尝试通过jSoup使用此代码。 这个想法是从此页面中提取电影时间表：
http://www.blitzmegaplex.com/en/schedule_movie.php?id=MOV1970
到目前为止，我只能单独提取电影院的名称。 由于它被标记有特定的类名（“ separator2”）。 其余的称为“分隔符”。
我正在尝试使用for循环建立以下步骤：对于TABLE中的每个ROW：
- 获取电影标题
- 跳过它下面的一行（从步骤1行开始）。
- 使用名为“ separator”的类获取第二个
- 从其下面的所有位置获取第二个（从步骤3行开始）。 直到到达包含名为“ separator2”的类的下一行
- 重复该过程，直到处理完所有行。
谁能建议我该如何进行呢？ 还是更好的建议？
谢谢。
到目前为止，我的代码：
public void getMovieSchedule(String movieUrl) throws IOException
{
//URL url = new URL(movieUrl);
//Document doc = Jsoup.parse(url, 3000);
//Element table = doc.select("table[div=scheduletbl]").first();
//Iterator<Element> ite = table.select("tr").iterator();
//ite.next(); // Skip the first row.
// Actual content
//print(ite.next().text());
*** CODE ABOVE DOES NOT WORK ***
//final String urlSchedule = "http://www.blitzmegaplex.com/en/schedule_movie.php?id=MOV1970";
Document doc = Jsoup.connect(movieUrl).get();
Elements div = doc.select("div.panelbox");
for(Element child : div)
{
Elements table = child.select("table");
Elements row = table.select("tr"); // The actual content.
for (Element a: row)
{
Elements cinemaName = a.select("td.separator2");
print(cinemaName.text().toString());
}
}
}
要提取的HTML（省略了一些代码）：
<table width="95%" border="0" cellpadding="2" cellspacing="0" id="scheduletbl">
<tbody>
<tr>
<td colspan="3" class="separator2"><strong>BLITZMEGAPLEX - PARIS VAN JAVA, BANDUNG</strong></td>
</tr>
<tr>
<td colspan="3"><img src="../img/ico_rss_schedule_white.gif" width="16" height="16" hspace="5" align="left"><strong><a href="../rss/schedule.php" class="navlink">RSS- Paris van Java</a></strong></td>
</tr>
<tr>
<td class="separator"> </td>
<td colspan="2" class="separator">TUESDAY, 05 NOVEMBER 2013</td>
</tr>
<tr>
<td class="separator"> </td>
<td width="20%" class="separator" rel="2D">
10:30
</td>
<td width="30%" class="separator">
<a href="https://www.blitzmegaplex.com/olb/seats.php?showdate=2013-11-05&cinema=0100&movie=MOV1970&showtime=10:30&suite=N&movieformat=2D" class="navlink" target="_blank">Buy Tickets</a></td>
</tr>
<tr>
<td class="separator"> </td>
<td width="20%" class="separator" rel="2D">
13:15
</td>
<td width="30%" class="separator">
<a href="https://www.blitzmegaplex.com/olb/seats.php?showdate=2013-11-05&cinema=0100&movie=MOV1970&showtime=13:15&suite=N&movieformat=2D" class="navlink" target="_blank">Buy Tickets</a></td>
</tr>
<tr>
<td class="separator"> </td>
<td width="20%" class="separator" rel="2D">
16:00
</td>
<td width="30%" class="separator">
<a href="https://www.blitzmegaplex.com/olb/seats.php?showdate=2013-11-05&cinema=0100&movie=MOV1970&showtime=16:00&suite=N&movieformat=2D" class="navlink" target="_blank">Buy Tickets</a></td>
</tr>
<tr>
<td class="separator"> </td>
<td width="20%" class="separator" rel="2D">
18:45
</td>
<td width="30%" class="separator">
<a href="https://www.blitzmegaplex.com/olb/seats.php?showdate=2013-11-05&cinema=0100&movie=MOV1970&showtime=18:45&suite=N&movieformat=2D" class="navlink" target="_blank">Buy Tickets</a></td>
</tr>
<tr>
<td class="separator"> </td>
<td width="20%" class="separator" rel="2D">
21:30
</td>
<td width="30%" class="separator">
<a href="https://www.blitzmegaplex.com/olb/seats.php?showdate=2013-11-05&cinema=0100&movie=MOV1970&showtime=21:30&suite=N&movieformat=2D" class="navlink" target="_blank">Buy Tickets</a></td>
</tr>
<tr>
<td colspan="3" class="separator2"><strong>BLITZMEGAPLEX - GRAND INDONESIA, JAKARTA</strong></td>
</tr>
<tr>
<td colspan="3"><img src="../img/ico_rss_schedule_white.gif" width="16" height="16" hspace="5" align="left"><strong><a href="../rss/schedule.php" class="navlink">RSS- Grand Indonesia</a></strong></td>
</tr>
<tr>
<td class="separator"> </td>
<td colspan="2" class="separator">TUESDAY, 05 NOVEMBER 2013</td>
</tr>
<tr>
<td class="separator"> </td>
<td width="20%" class="separator" rel="2D">
10:45
</td>
<td width="30%" class="separator">
<a href="https://www.blitzmegaplex.com/olb/seats.php?showdate=2013-11-05&cinema=0200&movie=MOV1970&showtime=10:45&suite=N&movieformat=2D" class="navlink" target="_blank">Buy Tickets</a></td>
</tr>
<tr>
<td class="separator"> </td>
<td width="20%" class="separator" rel="2D">
13:30
</td>
<td width="30%" class="separator">
<a href="https://www.blitzmegaplex.com/olb/seats.php?showdate=2013-11-05&cinema=0200&movie=MOV1970&showtime=13:30&suite=N&movieformat=2D" class="navlink" target="_blank">Buy Tickets</a></td>
</tr>
<tr>
<td class="separator"> </td>
<td width="20%" class="separator" rel="2D">
16:15
</td>
<td width="30%" class="separator">
<a href="https://www.blitzmegaplex.com/olb/seats.php?showdate=2013-11-05&cinema=0200&movie=MOV1970&showtime=16:15&suite=N&movieformat=2D" class="navlink" target="_blank">Buy Tickets</a></td>
</tr>
<tr>
<td class="separator"> </td>
<td width="20%" class="separator" rel="2D">
19:00
</td>
<td width="30%" class="separator">
<a href="https://www.blitzmegaplex.com/olb/seats.php?showdate=2013-11-05&cinema=0200&movie=MOV1970&showtime=19:00&suite=N&movieformat=2D" class="navlink" target="_blank">Buy Tickets</a></td>
</tr>
<tr>
<td class="separator"> </td>
<td width="20%" class="separator" rel="2D">
21:45
</td>
<td width="30%" class="separator">
<a href="https://www.blitzmegaplex.com/olb/seats.php?showdate=2013-11-05&cinema=0200&movie=MOV1970&showtime=21:45&suite=N&movieformat=2D" class="navlink" target="_blank">Buy Tickets</a></td>
</tr>
... MORE <tr> here ...
</tbody></table>
1 个解决方案
解决方案1
0 2013-11-06 05:02:18
如果我正确理解了您的问题，则只想从表中提取一些详细信息（即电影院名称，日期和时间），但是您会遇到麻烦，因为大多数行具有相同的className。
因此，基于此，这是我的解决方案：
Elements e = doc.select("table#scheuletbl > tbody > tr > td");
for (Element el : e) {
if (el.hasClass("separator2")) System.out.println(el.text()); // cinema name
else if (el.toString().contains("colspan=\"2\"")) System.out.println(el.text()); // date
else if (el.hasAttr("rel")) System.out.println(el.text()); // times
}
将打印出：
BLITZMEGAPLEX - PARIS VAN JAVA, BANDUNG
TUESDAY, 05 NOVEMBER 2013
10:30
13:15
16:00
18:45
21:30
BLITZMEGAPLEX - GRAND INDONESIA, JAKARTA
TUESDAY, 05 NOVEMBER 2013
10:45
13:30
16:15
19:00
21:45
当然，此解决方案与该网站上的特定表高度耦合，但是只要该格式不经常更改且在该网站上保持一致，它就可以工作。 您可能考虑创建一个类来存储所有这些信息。
如何使用 JSOUP 解析非结构化数据（即来自 HTML 目录列表）？
[英]How to parse unstructured data (i.e. from an HTML directory listing) using JSOUP?
声明:本站的技术帖子网页，遵循CC BY-SA 4.0协议，如果您需要转载，请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.