从 Java 中的 Wikipedia 表中提取特定元素

Question

为了我以后的方便，我决定尝试创建一个 Java 程序，它可以在我的计算机上获取一个目录和一个电视节目的 Wikipedia 条目的 URL，然后继续用该节目重命名该目录中的所有文件名称、“SxEy”和剧集的标题。虽然我相信我有用于重命名文件的工作代码，但我坚持的一件事是填充包含剧集名称的数组。虽然这可以手动完成，但这首先会消除程序的意义，所以我希望能够从互联网上提取信息。

现在有问题的电视节目是Arrow，我现在正在寻找第 2 季的剧集名称。我一直在尝试修改this jsoup 教程以访问这些表，希望在它至少开始工作后缩小到所需的表。我修改后的代码供参考：

package tablescraper;

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

public class TableScraper {

public static void main(String[] args) {
    try {
        Document doc = Jsoup.connect("http://en.wikipedia.org/wiki/List_of_Arrow_episodes").get();
        Elements trs = doc.select("table.wikitable tr");

        //remove header row
        trs.remove(0);

        for (Element tr : trs) {

            Elements tds = tr.getElementsByTag("td.summary");
            Element td = tds.first();
            System.out.println("Episode: " + td.toString());
        }
    } catch (IOException e) {
        e.printStackTrace();
    }
}
}

在目前的状态下，我在System.out.println("Episode: " + td.toString()); 面对java.lang.NullPointerException。我试图在getElementsByTag 语句中添加.summary，希望这只会挑选出具有“摘要”类的元素，这是我需要的元素。

到目前为止，我的方法有误吗？我有什么明显的遗漏吗？你会注意到表格中的每一行都包含一个总结这一集的段落——这种格式的变化是问题的一部分吗？如果我像现在这样迭代每个表行，它会成为一个问题吗？展望未来，我将如何区分页面上的每个表格？如果没有办法针对这个特定来源区分它们，那么这并不是世界末日，如果有必要，我可以简单地列出所有剧集，然后将其缩减为根据需要的剧集编号选择条目范围。

Answer 1

页面中必须有类wikitable的表格，其中包含td元素而没有类summary。

因此，最好在输出td 之前插入一个空检查：

Elements tds = tr.getElementsByTag("td.summary");
Element td = tds.first();
if (td != null)
    System.out.println("Episode: " + td.toString());

然后

Elements tds = tr.getElementsByTag("td.summary");

将永远不会返回非空列表，因为没有带有标签 td.summary 的元素。再次使用select 查找匹配选择器td.summary 的后代：

Elements tds = tr.select("td.summary");

最后打印出剧集（即td元素的文本内容）不要使用td.toString()而是td.text()

System.out.println("Episode: " + td.text());