使用 JSoup 解析 HTML 列表以创建树结构

Question

我有 HTML 个列表，其结构与我需要使用 JSoup 解析的结构完全相同（我的语言是 Java）。这是一个例子：

<div class="ulist">
  <ul>
    <li><p>Healthy Food</p></li>
    <div class="ulist">
      <ul>
        <li><p>Vegetables</p></li>
        <div class="ulist">
          <ul>
            <li> <p>Carrots</p> </li>
            <li> <p>Lettuce</p> </li>
            <li> <p>Cucumbers</p> </li>
          </ul>
        </div> </li>
        <li> <p>Fruits</p>
          <div class="ulist">
            <ul>
              <li> <p>Apples</p> </li>
              <li> <p>Bananas</p> </li>
              <li> <p>Canned Fruits</p></li>
              <div class="ulist">
                <ul>
                  <li> <p>Peaches</p> </li>
                  <li> <p>Pears</p> </li>
                </ul>
              </div>
            </ul>
          </div>
        </li>
      </ul>
    </div>
  </ul>
</div>

因为这个数据基本上只是一个树数据结构，我希望能够解析它并从数据中创建一个树。我在使用 JSoup 时遇到困难，因为看起来您无法真正按预期遍历 DOM。

例如，代码如下：

Elements elList = doc.select("ul");
for (Element el: elList){
  Elements subList = el.select("ul");
  for (Element subEl : subList){
    //do whatever you need to do
  }
}

产生以下结果，它似乎不是 "walking" 或 "traversing"，而是不断从文档中选择相同的内容：

遍历此列表并将其放入树结构的代码是什么？

Answer 1

JSoup 将 DOM 构建为内存中的数据结构，您可以通过非常强大的 "random access" 方式访问它，例如使用出色的 css 选择器实现。要使用 JSoup 解决您的问题，您可以像这样循环处理结果：

Elements elList = doc.select("ul");
for (Element el: elList){
    Elements subList = el.select("ul");
    for (Element subEl : subList){
       //do whatever you need to do
    }
}

但是，如果您需要遍历非常大的 html 文件并且文件结构良好，您可能需要使用像 SAX 这样的库。这避免了将整个 DOM 保存在内存中。

Answer 2

在 JSoup 中，select() 和 getElementByTag() return 当前元素作为结果的一部分，如果它匹配标签。

因此，当您执行 doc.select("ul") 并对结果执行 select() 时，您会得到相同的结果，正如您已经注意到的那样。

正确执行此操作的关键是获取第一个元素，然后搜索它的子元素。

大致如下：

public static Node processTree( Element elem ) {

     Node result;

     Elements elList = elem.getElementsByTag("ul");

     if ( elList == null || elList.size() == 0 ) {
         return null;
     };

     result = new Node();
     Element current = elList.first();
     elList = current.children();

     // Process LI elements and add them as content to the
     // result Node
     ...

     // Now go down the tree

     if ( elList != null && elList.size() != 0 ) {

        for ( Element el : elList ) {
            Node elTree = processTree( el );
            if ( elTree != null ) {
                result.addChild( elTree );
            }
        }
     }

     return result;
}

(当然，这只是一个草图。Node将是你的树结构节点。这样做的目的是告诉你，你必须遍历 children。如果你愿意，你可以在同一个循环中处理 li 个元素）

使用 JSoup 解析 HTML 列表以创建树结构

Parse HTML list using JSoup to create Tree structure

html

java

jsoup