如何提取内容 <tr> 使用正则表达式从HTML文档添加标签？

Question

我有一个文档，其中包含每个国家/地区的数据。 每个表格行都是一个国家/地区：

<tr>
    <td class="td-flag"><a href="/afghanistan"><img alt="Flag of Afghanistan"  src="//flags.fmcdn.net/data/flags/mini/af.png" width="30" height="20" /></a></td>
    <td class="td-country"><a href="/afghanistan">Afghanistan</a></td>
    <td class="td-capital">Kabul</td>
    <td class="td-population">25,500,100</td>
    <td class="td-area">652,090&nbsp;km<sup>2</sup></td>
</tr>

我尝试提取：链接到国旗，国家名称，Captiol和人口，但是首先我需要在Vector分别插入每个表行，因此我需要提取每个<tr>content</tr> 。

问题：如何提取html文档中每个<tr>的内容？ 我根本没有比赛：

try {
            BufferedReader br = new BufferedReader(new FileReader("./data/countries.txt"));
            StringBuilder sb = new StringBuilder();
            String line;
            while ((line = br.readLine()) != null) {
                sb.append(line + '\n');
            }
            br.close();

            ArrayList<String> tableRows = new ArrayList<String>();
            Pattern p = Pattern.compile(" <tr>(\\w+)</tr> ", Pattern.MULTILINE);
            Matcher m = p.matcher(sb);
            while (m.find()) {
                System.out.println("match");//it never prints thus there are no matches
                tableRows.add(m.group());
            }
            System.out.println(tableRows.size());//THE SIZE is 0
            for (String tr : tableRows) {
                System.out.println(tr);
            }
        } catch (Exception e) {
            e.printStackTrace();
        }

Answer 1

有很多简单的方法可以从HTML文件提取数据，特别是：

• XPath的
• JavaScript的
• jQuery的

正则表达式也可以工作，但是比前面提到的技术更容易出错。

++ 编辑 ++

• XPath示例

我必须承认，XPath对我来说是一个很新的东西，因此以下代码不是最优化的，但是它将使您快速了解它的工作方式。 您可以在浏览器的控制台中练习使用XPath。 打开HTML页面，并用$x(EXPRESSION);包装$x(EXPRESSION); 。

$x("//tr/td[@class='td-flag']/a/@href")将呈现： Array [ href="/afghanistan" ]

• jQuery的例子

如果您以前从未使用过jQuery，也可以在浏览器的控制台中使用它。 这几乎是一个JavaScript库，其唯一目的是简化代码。

$(".td-flag a").href将呈现"file:///afghanistan"

我在上面仅使用了一个tr元素使用了您的代码段，但是显然您有更多tr元素，因此上面的表达式返回了数组。 另外，在您的表格元素上放置一个ID标记，以便轻松，安全地访问;-)

Answer 2

除了JQuery答案，还有JSoup ，它允许您使用Java进行JQuery-Style查询：

Document doc = Jsoup.connect("<your url here>").get();
Elements rows = doc.select("tr");
for(Element row : rows){
    String country = row.getElementByClass("td-country").text();
    // etc.
}

Answer 3

如果这类数据在线，那意味着您的文档在线，我建议您甚至可以使用import.io之类的工具来创建针对您的用例的API。

响应为JSON格式，并且使用jQuery很容易使用。

当我不得不在Web上处理表格数据时，我更喜欢使用import.io，然后根据DOM元素创建某种解析器。

您始终可以使用jQuery并将所有数据保存为JSON格式，您将需要创建一个javascript解析器，以便它解析文档其余部分中的数据，然后添加此信息以吸引您以JSON格式收集的信息，因此您可以在任何地方使用它。

// defining variables
var flag = $('td.td-flag img').prop('src');
var country = $('td.td-country a').html();
var capital = $('td.td-capital').html();
var population = $('td.td-population').html();
var area = $('td.td-area').html();

现在，这只是解析器的一部分，它仅提取一行数据的数据，如果您有多行数据，则需要运行一个遍历所有表元素并读取它们的foreach（每个javascript中）循环全部（使用上面定义的变量）...，最后将它们作为数组或导出为JSON格式。