用 Java 解析 HTML 页面答案

【问题标题】：Parse HTML page in Java用 Java 解析 HTML 页面
【发布时间】：2013-02-28 00:08:03
【问题描述】：

我正在解析这个页面片段：

<tr valign="middle">
   <td class="inner"><span style=""><span class="" title=""></span> 2  <span class="icon ok" title="Verified"></span> </span><span class="icon cat_tv" title="Video » TV" style="bottom:-2;"></span> <a href="/VALUE.html" style="line-height:1.4em;">VALUE</a> </td>
   <td width="1%" align="center" nowrap="nowrap" class="small inner" >VALUE</td>
   <td width="1%" align="right" nowrap="nowrap" class="small inner" >VALUE</td>
   <td width="1%" align="center" nowrap="nowrap" class="small inner" >VALUE</td>
</tr>

我在变量 tv 中有这个片段：HtmlElement tv = tr.get(i);

我是这样读取标签<a href="/VALUE.html" style="line-height:1.4em;">VALUE</a>的：

HtmlElement a = tv.getElementsByTagName("a").get(0);        
object.name.value(a.getTextContent());

url = a.getAttribute("href");
object.url_detail.value(myBase + url);

如何只读取其他<td>....</td> 部分的VALUE 字段？

【问题讨论】：

你使用什么框架进行解析？
也许使用 tv.getElementsByTagName("td") 并循环结果并使用 getTextContent() 获取文本内容？你试过了吗？

标签： java html xml xml-parsing html-parsing

【解决方案1】：

我建议使用XPath，这是解析 XML/HTML 的推荐方式

参考：How to read XML using XPath in Java

也看看这个问题：RegEx match open tags except XHTML self-contained tags

更新

如果我理解正确，您需要每个 td 的“VALUE”，对吗？如果是这样，您的 XPath 将是这样的：

//td[@class="small inner"]/text()

【讨论】：

【解决方案2】：

你可以试试一个很棒的java包jsoup。

更新：使用包，你可以解决这样的问题：

    String html = "<tr valign=\"middle\">"
            + "   <td class=\"inner\">"
            + "   <span style=\"\"><span class=\"\" title=\"\"></span> 2  <span class=\"icon ok\" title=\"Verified\"></span> </span><span class=\"icon cat_tv\" title=\"Video » TV\" style=\"bottom:-2;\"></span>"
            + "   <a href=\"/VALUE.html\" style=\"line-height:1.4em;\">VALUE</a> "
            + "   </td>"
            + "   <td width=\"1%\" align=\"center\" nowrap=\"nowrap\" class=\"small inner\" >VALUE</td>"
            + "   <td width=\"1%\" align=\"right\" nowrap=\"nowrap\" class=\"small inner\" >VALUE</td>"
            + "   <td width=\"1%\" align=\"center\" nowrap=\"nowrap\" class=\"small inner\" >VALUE</td>"
            + "</tr>";
    Document doc = Jsoup.parse(html, "", Parser.xmlParser());
    Elements labelPLine = doc.select("a[href]");
    System.out.println("value 1:" + labelPLine.text());

    Elements labelPLine2 = doc.select("td[width=1%");
    Iterator<Element> it = labelPLine2.iterator();
    int n = 2;
    while (it.hasNext()) {
        System.out.println("value " + (n++) + ":" + it.next().text());
    }

结果是：

值 1：值值 2：值值 3：值值 4：值

【讨论】：

您应该说出如何使用 jsoup 解决问题。否则，这不是一个答案，应该只是一个评论。