Java：如何从 HTML 中的嵌套 <div> 中提取分隔文本？答案

【问题标题】：Java: How do I extract separated text from nested <div> in HTML?Java：如何从 HTML 中的嵌套 <div> 中提取分隔文本？
【发布时间】：2014-06-03 07:03:18
【问题描述】：

例如：

<div>
    this is first
    <div>
        second
   </div>
</div>

我正在研究自然语言处理，我必须翻译一个网站（不是使用谷歌翻译），我必须分别提取“这是第一”和“第二”这两个句子，以便我可以用其他句子替换它们各个 div 中的语言文本。如果我首先提取文本，它会显示“这是第一秒”，如果我使用递归深入挖掘，它只会提取“秒”

请帮帮我！

编辑

使用 ownText() 方法会在以下 html 代码中产生问题：

<div style="top:+0.2em; font-size:95%;">
    the
    <a href="/wiki/Free_content" title="Free content">
        free
    </a>
    <a href="/wiki/Encyclopedia" title="Encyclopedia">
        encyclopedia
    </a>
    that
    <a href="/wiki/Wikipedia:Introduction" title="Wikipedia:Introduction">              
        anyone can edit
    </a>
    .
</div>

它将打印：

那个。

免费

百科全书

任何人都可以编辑

但必须是：

那个

百科全书

任何人都可以编辑

【问题讨论】：

考虑提供一个实际的runnable example that demonstrates your problem 将涉及更少的猜测工作和更好的响应

标签： java html jsoup html-content-extraction

【解决方案1】：

如果我先提取文本，它将显示“这是第一秒”

使用ownText() 而不是text()，您将只获得直接包含的元素。

这是一个例子：

final String html = "<div>\n"
        + "    this is first\n"
        + "    <div>\n"
        + "        second\n"
        + "   </div>\n"
        + "</div>";

Document doc = Jsoup.parse(html); // Get your Document from somewhere


Element first = doc.select("div").first(); // Select 1st element - take the first found
String firstText = first.ownText(); // Get own text

Element second = doc.select("div > div").first(); // Same as above, but with 2nd div
String secondText = second.ownText();

System.out.println("1st: " + firstText);
System.out.println("2nd: " + secondText);

【讨论】：

【解决方案2】：

您可以使用任何语言的 XML 解析器。这是Java：http://www.mkyong.com/java/how-to-read-xml-file-in-java-dom-parser/

【讨论】：

【解决方案3】：

您似乎在 div 中使用 textContent 来提取内容，这将为您获取该元素的内容以及所有后代元素。（Java：这将是 Element 上的 getTextContent 方法）

改为检查 childNodes（Java：元素上的 getChildNodes 方法）。节点具有属性“nodeType”（Java：getNodeType），您可以查看该属性以确定节点是文本节点（Java：Node.TEXT_NODE）还是元素（Java：Node.ELEMENT_NODE）。所以举个例子，你有一棵看起来像这样的节点树......

div (Element)
    this is first (TextNode)
    div (Element)
        second (TextNode)

外层 div 直接只包含两个节点——第一段文本，和内层 div。然后，该内部 div 包含文本“second”。

所以循环遍历外部div中的节点，如果节点是文本节点，则翻译，否则递归到元素中。请注意，还有其他类型的节点、评论等，但出于您的目的，您可以忽略这些。

假设您使用的是 w3c DOM API http://docs.oracle.com/javase/7/docs/api/org/w3c/dom/Node.html

【讨论】：

【解决方案4】：

 Elements divs=doc.getElementsByTag("div");

     for (Element element : divs) {
            System.out.println(element.text());

        }

如果您使用的是 jsoup HTML 解析器，这应该可以工作。

【讨论】：