使用 JSoup 从复杂表中解析值答案

【问题标题】：Parsing values from complex table using JSoup使用 JSoup 从复杂表中解析值
【发布时间】：2013-11-23 11:41:32
【问题描述】：

我有一个带有以下 html 的表格：

<TABLE class=data-table cellSpacing=0 cellPadding=0>
  <TBODY>
  <TR>
    <TD colSpan=4><A id=accounting name=accounting></A>
      <H3>Accounting</H3></TD></TR>
  <TR>
    <TH class=data-tablehd align=left>FORM NO.</TH>
    <TH class=data-tablehd align=left>TITLE</TH>
    <TH class=data-tablehd align=right>Microsoft</TH>
    <TH class=data-tablehd align=right>Acrobat</TH></TR>
  <TR>
    <TD><A id=1008ft name=1008ft>SF 1008-FT</A></TD>
    <TD>Work for Others Funding Transfer Between Projects for an Agreement</TD>
    <TD align=right><A 
      href="https://someurl1" 
      target=top>MS Word</A></TD>
    <TD align=right><A 
      href="https://someurl2" 
      target=top>PDF </A></TD></TR>
...

我需要解析<TR> 得到类似的数据

SF 1008-FT, Work for Others ... an Agreement, https://someurl1, https://someurl2

我已尝试使用以下代码：

    URL formURL = new URL("http://urlToParse");
    Document doc = Jsoup.parse(formURL, 3000);

    Element table = doc.select("TABLE[class = data-table]").first();
    Iterator<Element> ite = table.select("td[colSpan=4]").iterator();

    while(ite.next() != null) {
        System.out.println(ite.next().text());
    }

但是，这只会返回“返回顶部”和整个表格中的一些不同标题。

有人可以帮我编写正确的 JSoup 代码来解析我需要的信息吗？

【问题讨论】：

标签： java web-scraping html-table jsoup html-parsing

【解决方案1】：

我找到了对类似线程进行一些小修改的解决方案。提供解决方案的代码如下：

for (Element table : doc.select("table")) {
        for (Element row : table.select("tr")) {
            Elements tds = row.select("td");
            formNumber = tds.get(0).text();
            title = tds.get(1).text();
            link1 = tds.get(2).select("a[href]").attr("href");
            link2 = tds.get(3).select("a[href]").attr("href");
            }
}

【讨论】：

我想它也会给你一个世界“会计”。但我很高兴你找到了解决方案。

【解决方案2】：

我没有时间测试，但你可以使用这样的东西：

        Element table = doc.select("TABLE[class = data-table]").first();
        Elements rows = table.select("tr");

        for (Element td: rows.get(2).children()) {
            System.out.println(td.text());
        }

你得到表格第三行的孩子。

【讨论】：