如何使用 Jsoup 仅获取 n 级元素？答案

【问题标题】：How to get only n-level elements with Jsoup?如何使用 Jsoup 仅获取 n 级元素？
【发布时间】：2018-04-18 20:07:28
【问题描述】：

我有一个包含多个层次的巨大目录：

我需要对其进行编辑并仅保留 Level1 和 Level2 的元素并删除其他所有内容，如：

为此我使用 Jsoup：

File in = new File(INPUT_FILE_PATH);
Document origDoc = Jsoup.parse(in, null);
Elements toc = origDoc.getElementsByClass("toc");
Elements firstLevelChildElements = toc.select("ul");

然后我想分析元素，如果元素只有一个父元素 - 保留它，否则删除它。

但问题是firstLevelChildElements 选择了第一个ul 及其所有子代。当我尝试选择下一个子元素时也会发生同样的情况。我不能只拥有所有元素的列表（或树）。

示例 HTML 代码为：

<ul class="toc">
    <li>
        <a href="#toc_20">Level 1</a>
        <ul>
            <li>
                <a href="#toc_21">Level 2</a>
                <ul>
                    <li>
                        <a href="#toc_22">Level 3</a>
                    </li>
                </ul>
            </li>
            <li>
                <a href="#toc_28">Level 2</a>
            </li>
            <li>
                <a href="#toc_29">Level 2</a>
            </li>
        </ul>
    </li>
    <li>
        <a href="#toc_20">Level 1</a>
        <ul>
            <li>
                <a href="#toc_21">Level 2</a>
                <ul>
                    <li>
                        <a href="#toc_22">Level 3</a>
                    </li>
                </ul>
            </li>
        </ul>
    </li>
</ul>

This answer 很好，但不幸的是对我不起作用。

【问题讨论】：

您的示例是输入。你能告诉我们你想从这个输入中产生什么输出吗？在我看来，级别 1 是两个列表项，级别 2 是四个列表项。您是否能够修改 HTML 以添加 <li class="level2">？这将简化 Jsoup 选择器。
@ThisClark 谢谢你的评论，我更新了这个问题。问题是所有lis 和uls 都没有类。
好的，我知道您期望的输出是修改后的 HTML，与您的第二个屏幕截图完全相同。对吗？
我想这是我最后一个问题了——既然你是用Java写的，最后你想得到什么数据类型？您想要 HTML 的 String、修改后的 HTML 的 Jsoup Document 还是 Elements 的集合？
@ThisClark 这是正确的，我希望修改后的 HTML，如第二张图片所示。我想获得 HTML 的String，因为我还想用新的目录替换目录。

标签： java html jsoup

【解决方案1】：

使用 Jsoup，您可以操作 dom。选择所有不需要的元素并清空它们的 html。您可以使用 css 选择器来执行此操作：

    Document doc = Jsoup.parse(html);
    for (Element e : doc.select("ul > li > ul > li > ul")) {
        e.html("");
    }

或更一般地选择具有 toc 类的 ul 元素的所有四阶子元素：

    Document doc = Jsoup.parse(html);
    for (Element e : doc.select("ul.toc > * > * > * > * > *")) {
        e.html("");
    }

然后从修改后的文档中选择需要的元素。

https://jsoup.org/cookbook/extracting-data/selector-syntax

【讨论】：

感谢您的回复，但通过这种方法，我得到的只是空字符串 <li></li><li></li><ul></ul><li></li>。
我已经在您提供的示例 html 上对此进行了测试。如果您的实际 html 不同，则需要调整代码。
我使用相同的 HTML sn-p，我将 System.out.println(e); 放在循环中，并且只得到了那个空标签。
循环后添加 System.out.println(doc)
在循环中，您可以制作 3 级或更多空的标签。在循环之后你有没有这个标签的 html，即只有第 1 级和第 2 级