【问题标题】:Extract content using xpath from an HTML doc using pure Java使用 xpath 从纯 Java 的 HTML 文档中提取内容
【发布时间】:2012-04-03 17:42:45
【问题描述】:

我想通过使用 Java 的 xpaths 从 HTML 中提取内容。在 ruby​​ 中,我可以使用 nokogiri 来做到这一点,如此处所示。

xpath = '/html/body/div/div[2]/div[2]/div/div[2]/div[3]/p'  
doc = Nokogiri::HTML(open('test_001_html64.html'))  
doc.xpath().each do |link|  
puts link.content  
end  

我想用纯 Java 来做。我查看了 Jsoup,但找不到任何使用 xpath 执行此操作的文档或示例。有人可以建议一种方法吗?

谢谢

【问题讨论】:

标签: java html xpath


【解决方案1】:

您可以使用HtmlUnit 完成该任务。

这是一个简单的例子:

final WebClient webClient = new WebClient();
final HtmlPage startPage = webClient.getPage("http://www.google.com/");
List<DomNode> nodes = page.getByXPath("/html/body/div/div[2]/div[2]/div/div[2]/div[3]/p");
for (DomNode node : nodes) {
    System.out.println(node.getNodeName());
}

【讨论】:

    【解决方案2】:

    以下是使用JAXP(Java 中捆绑)的方法:JAXP Manual

    【讨论】:

      【解决方案3】:

      您可以在 jsoup 中轻松做到这一点。

      Document doc = Jsoup.connect("test_001_html64.html").get();
      Elements info = doc.getElementsByTag("html");
      //iterate recursively to the desired location in the dom tree.
      

      为了更快地解析,您可以使用特定的标签/ID。

      jsoup 的文档 (jsoup.org/apidocs) 也存在。

      【讨论】:

      猜你喜欢
      • 1970-01-01
      • 1970-01-01
      • 2018-06-01
      • 1970-01-01
      • 2011-03-22
      • 2021-07-25
      • 1970-01-01
      • 2015-07-12
      • 1970-01-01
      相关资源
      最近更新 更多