使用 Jsoup 获取数据

Question

我正在尝试从网络中按顺序从 html 获取数据。 Html 代码如下所示：

 <div class="text"> First Text <br> <br> <div style="margin:20px; margin-top:5px; "> <table cellpadding="5"> <tbody><tr> <td class="alt2"> <div> Written by <b>excedent</b> </div> <div style="font-style:italic">quote message</div> </td> </tr> </tbody></table> </div>Second Text<br> <br> <img class="img" src="https://developer.android.com/_static/images/android/touchicon-180.png"><br> <br> Third Text </div>

我想做的是创建一个抓取 html 的 Android 布局，但我需要保留元素的顺序。 在这种情况下：

1. TextView => 第一个文本
2. TextView => 报价信息
3. TextView => 第二个文本
4. 图像视图 => img
5. TextView => 第三个文本

当我尝试按顺序获取 html 值时，问题就出现了，使用 JSoup 我得到一个带有“第一个文本第二个文本第三个文本”的字符串和 Element.ownText，然后是 img 最后，结果：

1. TextView => 第一个文本 第二个文本 第三个文本
2. TextView => 报价信息
3. 图像视图 => img

我该怎么做才能按顺序获取这些数据？

提前致谢

Answer 1

您可以将 html 解析为 html 节点列表。 节点列表将保留 DOM 顺序并提供您想要的。

检查parseFragment方法：

此方法将为您提供节点列表。

Answer 2

试试这个。

    String html = ""
        + "<div class=\"text\">"
        + "    First Text"
        + "    <br>"
        + "    <br>"
        + "    <div style=\"margin:20px; margin-top:5px; \">"
        + "    <table cellpadding=\"5\">"
        + "        <tbody><tr>"
        + "            <td class=\"alt2\">"
        + "                <div>"
        + "                    Written by <b>excedent</b>"
        + "                </div>"
        + "                <div style=\"font-style:italic\">quote message</div>"
        + "            </td>"
        + "            </tr></tbody>"
        + "    </table>"
        + "    </div>Second Text<br>"
        + "        <br>"
        + "        <img class=\"img\" src=\"https://developer.android.com/_static/images/android/touchicon-180.png\"><br>"
        + "        <br>"
        + "        Third Text"
        + "    </div>";
    Document doc = Jsoup.parse(html);
    List<String> rootTexts = doc.select("div.text").first().textNodes().stream()
        .map(node -> node.text().trim())
        .filter(s -> !s.isEmpty())
        .collect(Collectors.toList());
    System.out.println(rootTexts);

输出：

[First Text, Second Text, Third Text]

Answer 3

这个答案有点晚了，但是做你想做的事情的正确方法是这样的。 对于最外面的<div> ，不是使用Element.children()获取子元素，而是要使用Element.childNodes() 。

Element.children()只返回子Elements ，其中不包含文本。

Element.childNodes()返回所有子节点，包括TextNodes和Elements 。

这个解决方案对我有用。