使用JSOUP從html表中提取非結構化數據
[英]Extracting Unstructured data from html table using JSOUP
問題描述
我一直在嘗試通過jSoup使用此代碼。 這個想法是從此頁面中提取電影時間表：
http://www.blitzmegaplex.com/en/schedule_movie.php?id=MOV1970
到目前為止，我只能單獨提取電影院的名稱。 由於它被標記有特定的類名（“ separator2”）。 其余的稱為“分隔符”。
我正在嘗試使用for循環建立以下步驟：對於TABLE中的每個ROW：
- 獲取電影標題
- 跳過它下面的一行（從步驟1行開始）。
- 使用名為“ separator”的類獲取第二個
- 從其下面的所有位置獲取第二個（從步驟3行開始）。 直到到達包含名為“ separator2”的類的下一行
- 重復該過程，直到處理完所有行。
誰能建議我該如何進行呢？ 還是更好的建議？
謝謝。
到目前為止，我的代碼：
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（省略了一些代碼）：
<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 個解決方案
解決方案1
0 2013-11-06 05:02:18
如果我正確理解了您的問題，則只想從表中提取一些詳細信息（即電影院名稱，日期和時間），但是您會遇到麻煩，因為大多數行具有相同的className。
因此，基於此，這是我的解決方案：
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
}
將打印出：
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
當然，此解決方案與該網站上的特定表高度耦合，但是只要該格式不經常更改且在該網站上保持一致，它就可以工作。 您可能考慮創建一個類來存儲所有這些信息。
如何使用 JSOUP 解析非結構化數據（即來自 HTML 目錄列表）？
[英]How to parse unstructured data (i.e. from an HTML directory listing) using JSOUP?
聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.