Java / JSoup純文本提取和存儲
[英]Java/JSoup Plaintext Extraction and Storage
問題描述
我正在嘗試解決以下問題。
假設我有一個HTML文件，內容為：
</div class = nameCouldBeAnything1><br>
<p>some text here</p><br>
</div>
<div class = nameCouldBeAnything2><br>
<p>some more text here</p><br>
</div>
<div class = nameCouldBeAnything3><br>
<p>even more text here</p><br>
<p>and here</p><br>
<p>and here</p><br>
<p>and here</p><br>
<p>and here</p><br>
</div>
我想要實現的是將div標記之間的內容存儲到單獨的字符串或字符串數組變量中。
如果有一個Jsoup解決方案，那就太好了；如果沒有，那么從p開始到/ p結束的正則表達式字符串匹配也就很棒。
要考慮的挑戰是：
1）您不能使用特定的div類名稱來精確定位p標簽的位置，以便使用Jsoup獲取純文本。
2）使用doc.select("body p")或doc.select("div p") ，但是，當您要將p標簽存儲到字符串變量中時，它們將被分別寫入變量中，而不是通過div成變量。
這是我到目前為止的內容：
htmlFile = Jsoup.parse(input, "UTF-8");
Elements body = htmlFile.select("body p");
Element bodyStart = body.first();
Element bodyEnd = body.last();
Element p = bodyStart;
int divCount = 0;
while(p != bodyEnd)
{
p = body.get(divCount);
System.out.println(p.text());
divCount++;
}
這將獲取每個單獨的p標簽，但是我希望p標簽保留在它們各自的div中，並將每個單獨的div存儲到字符串/字符串數組變量中。
3 個解決方案
解決方案1
0 2012-08-21 09:23:42
您需要遍歷文檔body->div->p而不是body->p 。
Elements divs = htmlFile.select("body div");
//initialize div map here
for(Element div : divs) {
Elements paras = div.getElementsByTag("p");
for(Element para : paras) {
String text = para.text();
}
}
遍歷時可以根據需要將其存儲為任何數據結構。 希望這可以幫助。
解決方案2
0 2012-08-21 09:46:45
這會將包含p標簽的div標簽放入字符串列表中。
public class Main {
public static void main(String[] args) throws IOException {
File html = new File("src/main/resources/markup.html");
Document doc = Jsoup.parse(html, "UTF-8");
//all div tags wrapping a p tag
Elements divs = doc.select("div:has(p)");
//put the divs into a list
List<String> list = new ArrayList<String>();
for (Element div : divs) {
list.add(div.toString());
System.out.println(div + "\n");
}
}
}
markup.html
<!DOCTYPE html>
<head>
<meta charset="UTF-8" />
<title>whatever</title>
</head>
<body>
<div class=nameCouldBeAnything0>
<p>some text here</p>
</div>
<div class=nameCouldBeAnything1></div>
<div class=nameCouldBeAnything2>
<p>some more text here</p>
</div>
<div class=nameCouldBeAnything3>
<p>even more text here</p>
<p>and here</p>
<p>and here</p>
<p>and here</p>
<p>and here</p>
</div>
<div class=nameCouldBeAnything4>
<span>even more text here</span>
</div>
</body>
</html>
輸出
<div class="nameCouldBeAnything0">
<p>some text here</p>
</div>
<div class="nameCouldBeAnything2">
<p>some more text here</p>
</div>
<div class="nameCouldBeAnything3">
<p>even more text here</p>
<p>and here</p>
<p>and here</p>
<p>and here</p>
<p>and here</p>
</div>
解決方案3
0 已采納 2012-08-28 07:51:20
我能夠解決自己的困境。
這是我使用的代碼，希望它可以幫助需要幫助的人。
感謝所有張貼的人。
public static ArrayList proc(Document htmlFile)
{
Elements body = htmlFile.select("body");
ArrayList HTMLPlainText = new ArrayList();
HTMLPlainText.add(htmlFile.title());
for(Iterator<Element> it = body.iterator(); it.hasNext();)
{
Element pBody = it.next();
Elements. pTag = pBody.getElementsByTag("p");parents();
for(int pTagCount = 0; pTagCount < pTag.size(); pTagCount++)
{
Element p = pTag.get(pTagCount);
String pt = p.text();
if(pt.length() != 0)
{
HTMLPainText.add(pt);
pTagCount++:
}
pTag.parents().empty();
}
}
}
注意，可能有一些語法錯誤，我手動輸入了此錯誤。
檢查節點在jsoup中具有明文？
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.