解析块引用中的 p 标签

Question

我正在尝试访问 blockquote 中的一些 p 标签。在 html 的这一部分中，我试图访问具有以下功能的 p 标签；

font face="Verdana, Arial, Helvetica, sans-serif" size="2"

我的意思是最后 2 个 p 标签；

font face="Verdana, Arial, Helvetica, sans-serif" size="2"

<blockquote> 
<p>&nbsp;</p>
<p><a href="../index.html"><img src=""align="right" border="0"></a></p>
<p><img src="baslik.gif" width="308" height="80"></p>
<a href="e.html">E</a> <a href="f.html">F</a> <a href="g.html">G</a> 

<p><font face="Verdana, Arial, Helvetica, sans-serif" size="2">ABA ALTINDAN 
SİK ÖLÇMEK: (d)-(ar.-türk. f.)-Yetersiz bilgilerle bir erkeğin cinsel gücünü 
tartmaya çalışmak &amp; Az bilgiyle bir şeyin aslını öğrenebileceğini sanmak. 
&quot;O kadar da leyla olunmaz ki canım. Sen kalk aba altından sik ölçmeye 
soyun sonra da o siki görünce bas yaygarayı!&quot;</font></p>
<p><font face="Verdana, Arial, Helvetica, sans-serif" size="2">ABAROT GÖT: (d)-(o.k)-Çalım 
satan, hava atan kişi. &quot;Sen de amma abarot götmüşsün annem, gören de 
sol taşaktan düştün sanır.&quot;</font></p>
<blockquote>

它们没有任何 id、标签等。

• 如何联系他们？
• 处理此类元素的最佳方式是什么？
• 例如，我可以通过行号解析 html 吗？

Answer 1

如果您确定元素始终包含在您指定的字体标签中，那么您可以在Jsoup CSS selectors 中使用它们：

String html = ""
            +"<blockquote> "
            +"<p>&nbsp;</p>"
            +"<p><a href=\"../index.html\"><img src=\"\"align=\"right\" border=\"0\"></a></p>"
            +"<p><img src=\"baslik.gif\" width=\"308\" height=\"80\"></p>"
            +"<a href=\"e.html\">E</a> <a href=\"f.html\">F</a> <a href=\"g.html\">G</a> "

            +"<p><font face=\"Verdana, Arial, Helvetica, sans-serif\" size=\"2\">ABA ALTINDAN "
            +"SİK ÖLÇMEK: (d)-(ar.-türk. f.)-Yetersiz bilgilerle bir erkeğin cinsel gücünü "
            +"tartmaya çalışmak &amp; Az bilgiyle bir şeyin aslını öğrenebileceğini sanmak. "
            +"&quot;O kadar da leyla olunmaz ki canım. Sen kalk aba altından sik ölçmeye "
            +"soyun sonra da o siki görünce bas yaygarayı!&quot;</font></p>"
            +"<p><font face=\"Verdana, Arial, Helvetica, sans-serif\" size=\"2\">ABAROT GÖT: (d)-(o.k)-Çalım "
            +"satan, hava atan kişi. &quot;Sen de amma abarot götmüşsün annem, gören de "
            +"sol taşaktan düştün sanır.&quot;</font></p>"
            +"</blockquote>";
Document doc = Jsoup.parse(html);
Elements els = doc.select("blockquote p font[face=Verdana, Arial, Helvetica, sans-serif]");
for (Element e : els){
  System.out.println(e.text());
} 

这会打印两行：

ABA ALTINDAN SİK ÖLÇMEK: (d)-(ar.-türk. f.)-Yetersiz bilgilerle bir erkeğin cinsel gücünü tartmaya çalışmak & Az bilgiyle bir şeyin aslını öğrenebileceğini sanmak. "O kadar da leyla olunmaz ki canım. Sen kalk aba altından sik ölçmeye soyun sonra da o siki görünce bas yaygarayı!"
ABAROT GÖT: (d)-(o.k)-Çalım satan, hava atan kişi. "Sen de amma abarot götmüşsün annem, gören de sol taşaktan düştün sanır."

附录

我现在尝试使用您提供的 URL：

String url = "http://ikra4.tripod.com/kadinargo/a.html";
Document doc= Jsoup.parse(new URL(url).openStream(), "ISO-8859-9", url);

Elements els = doc.select("blockquote p font[face=Verdana, Arial, Helvetica, sans-serif]");
for (Element e : els){
  System.out.println(e.text());
} 

请注意，网站不会以指示所使用编码的正确 HTTP 标头进行响应。 JSoup 回退到您正在运行的系统的编码，这可能是错误的。所以你需要使用URL.openStream 和明确的编码信息来获取你想要的页面。