使用Java和jsoup解析特定的HTML代码

Question

我一直在思考如何实现逻辑来解析此html代码块。 我目前正在使用jsoup，Java和Android。

要显示的基本结构（我正在寻找的结构）：

22:48 url1 ：随机消息

22:44 url2 ：更多随机消息！

代码（存储在由jsoup提供的Element对象中）：

22:48
<strong> <a href="www.randomUrl.com">url1</a>:</strong> Random message.22:44 
<strong> <a href="www.randomUrl.com">url2</a>:</strong> Even more random message!22.42
<strong> <a href="www.randomUrl.com">url3</a>:</strong> This is a dumb message9922.20
<strong> <a href="www.randomUrl.com">url4</a>:</strong> This is a dumb message3

我希望如何对其进行“清理”：

22:48 <strong> <a href="www.randomUrl.com">url1</a>:</strong> Random message.
22:44 <strong> <a href="www.randomUrl.com">url2</a>:</strong> Even more random message!
22.42 <strong> <a href="www.randomUrl.com">url3</a>:</strong> This is a dumb message99
22.20 <strong> <a href="www.randomUrl.com">url4</a>:</strong> This is a dumb message3

当然，我不介意将行，URL和消息保存到一些专用的数组列表中，然后删除html。 但是我很期待听到您将如何处理这种解析。 问题在于随机消息可以是任何类型的字符串，这意味着它可以包含一个时间（22:33）。 所以我不能仅使用基于时间的正则表达式来分隔行。

我想知道是否正确的方法是同时使用时间和强元素来解析它，因为强元素似乎总是开始新的一行。

谢谢！

Answer 1

JSoup是一个很棒且有价值的库。 但是，如果未通过明确的开始和结束标记明确界定，则部分文本的细微变化将难以实现。

由于您所有烦人的时间戳似乎总是跟随一个<strong>标记，因此您可以删除所有与“ TIME（最后是空格）<strong>”匹配的序列的时间。

这可以通过一个非常简单的String.replaceAll正则表达式来完成：

html = html.replaceAll("(\\d{2}[:\\.]\\d{2})(\\s*<strong>)","$2");

Answer 2

字符串z = s.replaceAll（“（\\\\ d {2} [：\\\\。] \\\\ d {2}）\\\\ s * [\\ n \\ r] \\\\ s *”，“ \\ n $ 1”） 。修剪（）;