如何使用 Java 从 html 源代码中解析特定信息

Question

我知道我的问题有很多主题，但我找不到对我的答案有用的解决方案。我可以连接到网站并用 Java 逐行阅读，现在这是我的问题。我想从 html 页面解析特定信息。此页面包括 5 天的天气预报。例如预测标签的日期是这样的;

//date of forecast
< th id="ctl00_mpBody_thmGun1" class="arkaTrh">19 April< /th >

//Min weather:
< td id="ctl00_mpBody_thmMin1" class="minS">8< /td>

//Max weather
 < td id="ctl00_mpBody_thmMax1" class="maxS">17< /td>

second day and others tags continue like this,
< th id="ctl00_mpBody_thmGun2" class="arkaTrh">20 April< /th >
.
.
.

根据这些标签，我需要解析4月19日、17日和8日。

Answer 1

为了上帝的爱，不要使用正则表达式。我不知道这必须在 SO 上重复多少次。你最终会进入一个痛苦的世界。使用解析器，java 中有可用的负载。以下是其中一些：

Jericho

Dom4j

htmlparser

但还有几十个。只是谷歌“html parser java”或“java dom parser”之类的。请。

Answer 2

你可以像这样制作一些正则表达式：

id="ctl00_mpBody_thmGun1"[^>]*?>(.*?)<

但是，如果您想要一个更强大的解决方案，最好清理 HTML 并使用 XPath 选择数据： http://www.ibm.com/developerworks/library/x-javaxpathapi.html

Answer 3

您可以使用HtmlUnit。它是为对网页进行单元测试而设计的，但您可以使用它来解析 HTML 代码。您可以使用以下方式获取预测数据：

final WebClient webClient = new WebClient();
final HtmlPage page = webClient.getPage("http://url.to.your.data");

//get temperatures
HtmlTableDataCell minTemp = page.getByXPath("//td[@class='minS']").get(0);
HtmlTableDataCell maxTemp = page.getByXPath("//td[@class='maxS']").get(0);
HtmlTableHeaderCell date = page.getByXPath("//th[@class='arkaTrh']").get(0);

System.out.println("Forecast for " + date.asText() + " - Min: " + minTemp.asText() + ", Max: " + maxTemp.asText());