Java 提取字符串列表中的每个 HTML 内容

Question

我实际上是在用 JAVA android 制作我的第一个 RSS 阅读器，但我遇到了一个问题。

其实我得到了一些 RSS 信息，但是周围都是 HTML 标签。

我需要的是提取这些标签中的每个 HTML content 并将它们放在一个字符串列表中，但我不知道该怎么做。

你能帮我解决这个问题吗？

感谢提前

Answer 1

如果你的 rss 是 xml 格式，你需要dom4j.jar

import java.util.ArrayList;
import java.util.Iterator;
import java.util.List;

import org.dom4j.Document;
import org.dom4j.Element;
import org.dom4j.io.SAXReader;

public class test {

    public static void main(String[] args) throws Exception {
        String rssUrl = ""; // paste url here
        List<RssDocument> docList = new ArrayList<RssDocument>();
        try
        {
            SAXReader saxReader = new SAXReader();
            Document document = saxReader.read(rssUrl);
            Element channel = (Element) document.getRootElement().element("channel");
            for (Iterator i = channel.elementIterator("item"); i.hasNext();)
            {
                Element element = (Element) i.next();
                String title = element.elementText("title");
                String pubDate = element.elementText("pubDate");
                String description = element.elementText("description");
                RssDocument doc = new RssDocument(title, pubDate, description);
                docList.add(doc);
            }
        }
        catch (Exception e)
        {
            e.printStackTrace();
        }
        // do something with docList
    }

    public static class RssDocument {
        String title;
        String pubDate;
        String description;

        RssDocument(String title, String pubDate, String description) {
            this.title = title;
            this.pubDate = pubDate;
            this.description = description;
        }
    }
}

将你的 rss url 粘贴到变量“rssUrl”中，然后运行这个 main。您将获得一个 RSS 文档列表，其中包含标题、发布日期和描述。

如果您只需要每个 rss 项目的标题和描述，请使用以下代码。

import java.util.ArrayList;
import java.util.Iterator;
import java.util.List;

import org.dom4j.Document;
import org.dom4j.Element;
import org.dom4j.io.SAXReader;

public class test {

    public static void main(String[] args) throws Exception {
        String rssUrl = ""; // paste url here
        List<String> strList = new ArrayList<String>();
        try
        {
            SAXReader saxReader = new SAXReader();
            Document document = saxReader.read(rssUrl);
            Element channel = (Element) document.getRootElement().element("channel");
            for (Iterator i = channel.elementIterator("item"); i.hasNext();)
            {
                Element element = (Element) i.next();
                String title = element.elementText("title").replaceAll("\\<.*?>","");
                String description = element.elementText("description").replaceAll("\\<.*?>","");
                strList.add(title + " " + description);
            }
        }
        catch (Exception e)
        {
            e.printStackTrace();
        }
    }

}

那么strList就是字符串列表，包含标题和描述。

例如：

{
 "title1 description1"
 "title2 description2"
 "title3 description3"
}

Answer 2

假设您有一个名为 htmlString 的 html 内容，您可以使用正则表达式对其进行清理。

String htmlString = "<tr><td>12345</td></tr>";
String noHTMLString = htmlString.replaceAll("\\<.*?>","");

Answer 3

这应该将 html 标记之间的所有内容的列表提取到称为匹配项的列表中。您应该修改括号中的正则表达式以匹配您的内容。当前版本仅匹配包含数字、字母、点、逗号、括号、减号和空格的文本。

Pattern pattern = Pattern.compile("<\\w+>([\\w\\s\\.,\\-\\(\\)]+)</\\w+>");
Matcher matcher = pattern.matcher(content);

List<String> matches = new ArrayList<String>();
while(matcher.find()){
    matches.add(matcher.group(1));
}