从 HtmlElement 中提取文本时如何保留换行符

Question

我正在尝试从中提取三个单独的字符串： https://taxtest.navajocountyaz.gov/Pages/WebForm1.aspx?p=1&apn=103-03-122

1. 所有者姓名：Johnson Tommy A 和 Nell H Cprs
2. 业主街道地址：133 Maricopa Dr
3. 所有者城市、州和邮政编码，作为一个字符串：Winslow AZ 86047-2013

   我尝试了以下代码：

   import com.gargoylesoftware.htmlunit.*;
   import com.gargoylesoftware.htmlunit.html.*;
   import com.gargoylesoftware.htmlunit.javascript.*;
   import java.io.*;
   
   public class PropertyOwner {
   
       public static void PropertyOwner () {
   
           try (final WebClient webClient = new WebClient()) {
               System.getProperties().put("org.apache.commons.logging.simplelog.defaultlog", "fatal");
               java.util.logging.Logger.getLogger("com.gargoylesoftware.htmlunit").setLevel(java.util.logging.Level.OFF);
   
               webClient.getOptions().setThrowExceptionOnScriptError(false);
               webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);
   
               webClient.getOptions().setCssEnabled(false);
               webClient.setJavaScriptErrorListener(new SilentJavaScriptErrorListener());
               webClient.setCssErrorHandler(new SilentCssErrorHandler());
               HtmlPage page = webClient.getPage("http://taxtest.navajocountyaz.gov/Pages/WebForm1.aspx?p=1&apn=103-03-122");
               webClient.waitForBackgroundJavaScriptStartingBefore(10000);     
               page = (HtmlPage) page.getEnclosingWindow().getEnclosedPage();
               webClient.getOptions().setThrowExceptionOnScriptError(false);
               webClient.setJavaScriptErrorListener(new SilentJavaScriptErrorListener());
               HtmlTable pnlGridView_nextYear = (HtmlTable) page.getElementById("pnlGridView_nextYear");
               HtmlTableDataCell ownershipCell = (HtmlTableDataCell) pnlGridView_nextYear.getCellAt(0,0);
               String ownershipCellAsText = ownershipCell.toString();
               HtmlElement onwershipElement = (HtmlElement) page.getElementById("lblOwnership_NextYear");
               System.out.println("ownershipCellAsText = " + ownershipCellAsText);
               System.out.println("onwershipElement.getTextContent() = " + onwershipElement.getTextContent());
   
   
           }
   
           catch (Exception e) {
               System.out.println("Error: "+ e);
           }
     
       }
     
       public static void main(String[] args) {
           File file = new File("validParcelIDs.txt");
           PropertyOwner();
       }
   
   }
   

   然后我使用了以下两个命令：

   > javac -classpath ".:/opt/htmlunit_2.69.0/*"  PropertyOwner.java
   > java -classpath ".:/opt/htmlunit_2.69.0/*"  PropertyOwner
   

   并得到以下输出：

   ownershipCellAsText = HtmlTableDataCell[<td style="border:solid 1px black;">]
   onwershipElement.getTextContent() = Johnson Tommy A & Nell H Cprs133 Maricopa DrWinslow AZ 86047-2013
   

   如您所见，onwershipElement.getTextContent() 非常接近我想要的。除了它从 HtmlElement 中删除了换行符。

   我尝试了 8 年前提出的以下解决方案： Java getting text content from an element to include line breaks 通过在我的程序中添加三行代码。以下三行（非连续的）：

   import org.w3c.dom.Node;
   import org.w3c.dom.NodeList;
   .....
   WebView webView = new WebView();
   

   这给了我以下编译错误：

   achab@HP-Envy [Navajo] $javac -classpath ".:/opt/htmlunit_2.69.0/*"  PropertyOwner.java 
   PropertyOwner.java:15: error: cannot find symbol
               WebView webView = new WebView(); 
               ^
     symbol:   class WebView
     location: class PropertyOwner
   PropertyOwner.java:15: error: cannot find symbol
               WebView webView = new WebView(); 
                                     ^
     symbol:   class WebView
     location: class PropertyOwner
   2 errors
   

   所以，这个解决方案似乎已经过时了。 HtmlUnit 的 2.69.0 版本于 2023 年 1 月 5 日发布。

   在那之前。我曾尝试过大约两年前发布的 HtmlUnit 2.47.1 版本。同样存在上述两个问题：在第一版代码中无法保留换行符，在第二版代码中找不到符号 WebView。

   我需要更改什么才能获得我想要的三个单独的字符串？

Answer 1

而不是 onwershipElement.getTextContent() 使用 onwershipElement.asNormalizedText() 。