无法从 XML 中提取数据答案

【问题标题】：Cannot extract data from an XML无法从 XML 中提取数据
【发布时间】：2013-04-06 04:05:14
【问题描述】：

我使用 getElementBytag 方法从以下 XML 文档中提取数据（雅虎财经新闻 api http://finance.yahoo.com/rss/topfinstories）

我正在使用以下代码。它使用 getelementsBytag 方法获取新项目和标题没有问题，但由于某种原因，在按标签搜索时不会拾取链接。它只获取链接元素的结束标签。是xml文档的问题还是jsoup的问题？

import java.io.IOException;         
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;   

class GetNewsXML {
    /**
     * @param args
     */
    /**
     * @param args
     */
    public static void main(String args[]){
        Document doc = null;
        String con = "http://finance.yahoo.com/rss/topfinstories";
        try {
            doc = Jsoup.connect(con).get();
        } catch (IOException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }
        Elements collection = doc.getElementsByTag("item");// Gets each news item
        for (Element c: collection){
            System.out.println(c.getElementsByTag("title"));
        }
        for (Element c: collection){
            System.out.println(c.getElementsByTag("link"));
        }
    }

【问题讨论】：

您提供的链接的页面来源是一个xml文档。检查以下帖子 stackoverflow.com/questions/9886531/how-to-parse-xml-with-jsoup 或使用 xml 解析器
我可以解析其中所有标签的所有数据，但出于某种奇怪的原因，标签的内容除外。我使用过 doc.select 和 getElementBytag。两者都适用于除标签之外的所有其他标签。当我尝试获取标记的内容时，我得到以下输出：
基于我提供的链接，只需将 try .. catch 中的行替换为以下内容即可： doc = Jsoup.parse(new URL(con).openStream(), " ", Parser.xmlParser());
您可以定义一个输入流变量，以便在操作完成后关闭它。

标签： java xml jsoup

【解决方案1】：

你得到<link /> http://...;链接放在之后 link-tag 作为文本节点。

但这不是问题：

final String url = "http://finance.yahoo.com/rss/topfinstories";

Document doc = Jsoup.connect(url).get();


for( Element item : doc.select("item") )
{
    final String title = item.select("title").first().text();
    final String description = item.select("description").first().text();
    final String link = item.select("link").first().nextSibling().toString();

    System.out.println(title);
    System.out.println(description);
    System.out.println(link);
    System.out.println("");
}

说明：

item.select("link")  // Select the 'link' element of the item
    .first()         // Retrieve the first Element found (since there's only one)
    .nextSibling()   // Get the next Sibling after the one found; its the TextNode with the real URL
    .toString()      // Get it as a String

通过您的链接，此示例将打印所有元素，如下所示：

Tax Day Freebies and Deals
You made it through tax season. Reward yourself by taking advantage of some special deals on April 15.
http://us.rd.yahoo.com/finance/news/rss/story/SIG=14eetvku9/*http%3A//us.rd.yahoo.com/finance/news/topfinstories/SIG=12btdp321/*http%3A//finance.yahoo.com/news/tax-day-freebies-and-deals-133544366.html?l=1

(...)

【讨论】：

谢谢，效果很好。我仍然不明白为什么您需要对链接使用 nextSibling() 方法。据我所见，链接标签中只有一个元素，因此 .first() 应该选择它。我在这里错过了什么吗？
我不知道为什么，但是 jsoup 没有正确解析 <link> 标签。所以它不是<link>url here</link>，而是<link /> url here。链接标签为空，其链接在之后。您可以将 webiste 解析为文档并打印 - 您会明白我的意思。但是，在我的示例中，我选择了（空）链接标签并使用nextSibling() 获取它后面的文本。需要first() 方法，因为select() 返回Elements 的实例（= Element 的列表）。
干杯，这清除了它，谢谢。我想如果您有疑问，您应该始终将网站解析为文档并打印出来看看发生了什么。
@ollo 我参考了你的答案，并完美地得到了“链接”。谢谢你..很好的解释..请在stackoverflow.com/questions/17312544/…上查看我的问题。在那里，我只想要描述。
友好提醒任何通过 jsoup 的人现在确实支持正确的 XML 解析（包括对 <link> 标签问题的修复）。见：stackoverflow.com/a/10158491/6425776