如何使用JSOUP獲取文本與給定單詞列表中的大多數單詞匹配的特定標記？

Question

我正在嘗試獲取在給定的單詞列表中具有最大字匹配數的整個標記！ 即： 考慮html：

 <div id="productTitle" class="a-size-large">Hello world, good morning, have a happy day</div> <div id="productTitle2" class="a-size-large">Hello people of this planet!.</div> 

考慮使用jsoup lib的java代碼：

String html = "<div id="productTitle" class="a-size-large">Hello world, good morning, have a happy day</div> <div id="productTitle2" class="a-size-large">Hello people of this planet!.</div>";
Document doc = Jsoup.parse(html);    
List<String> words = new ArrayList<>(Arrays.asList("hello", "world", "morning"));
Element elmnt = doc.select("*:matchesOwn("+words+")");
System.out.println(elmnt.cssSelector());

預期輸出： #productTitle

Answer 1

不幸的是，沒有像這樣的選擇器。 您可以創建一個小算法來代替：

使用Document.getAllElements()獲取Document.getAllElements()中所有元素的列表。 要獲取元素的實際文本，請使用Element.ownText() 。 現在，您可以將該文本拆分為單詞並計算所有單詞：

String html = "<div id=\"productTitle\" class=\"a-size-large\">Hello world, good morning, have a happy day</div> <div id=\"productTitle2\" class=\"a-size-large\">Hello people of this planet!.</div>";
Document doc = Jsoup.parse(html);
List<String> words = Arrays.asList("hello", "world", "morning");

Element elmnt = doc.getAllElements().stream()
        .collect(Collectors.toMap(e -> countWords(words, e.ownText()), Function.identity(), (e0, e1) -> e1, TreeMap::new))
        .lastEntry().getValue();

這使用Java Streams和TreeMap將單詞數TreeMap到元素。 如果兩個或多個元素具有相同數量的單詞，則使用最后一個單詞。 我想使用你可以使用的第一個(e0, e1) -> e0 。

要計算列表中給出的單詞，您還可以使用Java Streams。 你可以使用這樣的方法：

private long countWords(List<String> words, String text) {
    return Arrays.stream(text.split("[^\\w]+"))
            .map(String::toLowerCase)
            .filter(words::contains)
            .count();
}

這將拆分所有非單詞字符的文本。 您可以根據自己的需要進行更改。

您共享的HTML代碼的elmnt.cssSelector()的結果將是#productTitle 。