在 Java 中从 HTML 中提取信息（解析）的最简单方法答案

【问题标题】：Simplest way to extract information (parsing) from HTML in Java在 Java 中从 HTML 中提取信息（解析）的最简单方法
【发布时间】：2012-02-26 18:09:43
【问题描述】：

我在 stackoverflow 上阅读了很多关于 html 解析的问题。我了解到，如果可能，我们应该避免使用正则表达式并使用解析器。我知道有很多 Html/Xml 解析器，但我不知道如何正确使用它们。

考虑这个通过 jTidy 解析的 html。我有一个由这段代码的 jTidy 创建的 Document 对象：

<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en">
<head>
    <!-- Header content -->
</head>
<body>
    <div id="container">
        <div id="id1"> ... </div>
        <div id="id2"> ... </div>
        <div id="mainContent">
            <div id="section 1">
                <div id="subSection">
                    <!-- Interested part -->
                    <tbody>
                        <tr class="success">
                            <td class="fileName"><span>File One</span></td>
                        </tr>
                        <tr class="fail">
                            <td class="fileName"><span>File Two</span></td>
                        </tr>                        
                        <tr class="success">
                            <td class="fileName"><span>File Three</span></td>
                        </tr>
                    </tbody>
                </div>
            </div>
        </div>
    </div>
</body>

现在，我想映射（在 Map :D 中）每个文件名及其类（成功/失败）。我可以用 DOM 做到这一点，但我应该创建一个 NodeList 并为每个 Element 创建一个新的节点列表（大量内存和无聊）。有诸如 Sax、Xerces 等替代品，但我不知道它们的优缺点。

从上面的“jTyded”html 中提取这些信息的最简单（最快）的方法是什么？

【问题讨论】：

使用 XPath stackoverflow.com/questions/7049150/…
我读过 XPath 但问题是我应该：1）为文件名创建一个模式 2）为类创建一个模式 3）关联类/文件名这不是很简单
HtmlUnit怎么样：htmlunit.sourceforge.net
@Angelo 我不明白为什么不简单。

标签： java html xml-parsing

【解决方案1】：

首先 - 你忘了添加<table> 标签。

您可以使用 Jsoup

轻松解析您的代码

这是一个例子：

//  String html =" ...here goes your html code... ";
// Document doc = Jsoup.parse(html);
// Or from file:
    File input = new File("com.htm");
    Document doc = Jsoup.parse(input, "UTF-8");
    Elements trs = doc.select("tr"); //select all "tr" elements from document
    for(Element tr:trs){
        //Getting the class string form tr element
        System.out.println("The file class is: " + tr.attr("class") 
       //getting the filename string that holds inside td element
         + " The filamee is: "  + tr.select("td").text());
    }
}

【讨论】：

谢谢。由于缩进过多而被忽略。再次感谢！

【解决方案2】：

在我看来，最好的方法是使用 XSLT+XPath（正如 Greg 在评论中建议的那样）为unmarshaller 生成输入。

所以整个流程如下所示： HTML->[jTidy 净化]->XHTL->[XSLT 转换]->字符串数据表示->[JAXB unmarshaller]->Java 对象。

如果您不想生成对象，请仅使用此线程中描述的 XPath：How to read XML using XPath in Java

【讨论】：