使用JSoup检索p标签之间的所有html

Question

所以这是场景。 我有一个很大的html文件，我想使用JSoup进行抓取。 我对此并不陌生，并且已经阅读了一些教程和API参考。 我有以下的html块。

<p><a name="bob"></a>
<table class='schedules'>
<tr><td  align='center' colspan="5"><b>Bob the Builder</b><br>
<a href="blah blah" class='tiny'>Blah Blah Blah</a></td></tr>
<tr><td class='bk'><a href="random/randomUrl.htm">Blah</a></td><td class='bm'><a href="random/randomUrl.htm">Blah</a></td><td class='nm'><a href="random/randomUrl.htm">blah</a></td><td class='sk'><a href="random/randomUrl.htm">blah</a></td><td class='sk'><a href="random/randomUrl.htm">Blah</a></td></tr>
<tr><td class='bk'><a href="random/randomUrl.htm">Blah</a></td><td class='bk'><a href="random/randomUrl.htm">Blah</a></td><td class='nm'><a href="random/randomUrl.htm">blah</a></td><td class='sk'><a href="random/randomUrl.htm">blah</a></td><td class='sk'><a href="random/randomUrl.htm">Blah</a></td></tr>
<tr><td class='bk'><a href="random/randomUrl.htm">Blah</a></td><td class='bm'><a href="random/randomUrl.htm">Blah</a></td><td class='sk'><a href="random/randomUrl.htm">blah</a></td><td class='sk'><a href="random/randomUrl.htm">blah</a></td><td class='sk'><a href="random/randomUrl.htm">Blah</a></td></tr>
<tr><td class='bm'><a href="random/randomUrl.htm">Blah</a></td><!--<td class='whoohaa'><a href="random/randomUrl.htm">Blah</a></td>--><td class='sk'><a href="random/randomUrl.htm">blah</a></td><td class='cc'><a href="random/randomUrl.htm">blah</a></td><td class='cc'><a href="random/randomUrl.htm">Blah</a></td><td class='sk'><a href="random/randomUrl.htm">Blah</a></td></tr>
<tr></td><td class='sk'><a href="random/randomUrl.htm">Blah</a></td><td class='nm'><a href="random/randomUrl.htm">Blah</a></td><td class='sk'><a href="random/randomUrl.htm">blah</a></td><td class='sk'><a href="random/randomUrl.htm">blah</a></td><td class='sk'><a href="random/randomUrl.htm">Blah</a></td></tr>
<tr><td class='sk'><a href="random/randomUrl.htm">Blah</a></td><td class='nm'><a href="random/randomUrl.htm">blah</a></td><td class='sk'><a href="random/randomUrl.htm">blah</a></td><td class='sk'><a href="random/randomUrl.htm">blah</a></td></tr>
</table>
</p>

现在，这些块中有更多的块遵循类似的模式，从而（在第一行中）name属性发生变化（从“ bob”变为其他）。 我想做的是首先能够选择“ bob” p块，然后检索所有html直到最后一行中的终止p块。

我尝试了以下操作：

Elements innerStuff = doc.select("a:contains(bob) ~ *");

但这只给我提供了href属性的链接，我想这是可以预期的。 但是，我正在努力寻找其他方法可以解决此问题？

非常感谢您在这方面的帮助。

Answer 1

根据其名称属性选择标签的更严格的方法是：

doc.select("a[name=bob]")

从那里，您应该能够使用parent（）导航到想要的元素（以获取包含链接的p标签）（例如，您需要先调用first（）才能获取第一个（也是唯一一个）元素与选择器匹配）：

doc.select("a[name=bob]").first().parent()

但是，存在一个问题：解析的HTML文档与原始HTML不同：这是原始HTML结构：

p
    a[name=bob]
    table
        ...

解析后的HTML如下所示：

p
    a[name=bob]
table
    ...
p

因此，从链接标记开始，并获取该表的元素，您将需要上一层（到该段落）并获取下一个元素：

doc.select("a[name=bob]").first().parent().nextElementSibling()