htmlUnit

Question

我是htmlUnit新手，如题，碰巧遇到一些内容不在element中。例如，

<div class="slide-title">
        <h2> Lady at her dressing table in a garden</h2>
        <p>
           Chinese
           <br>Southern Song dynasty
           <br>mid-12th century
           <br>
           <a href="/collections/search?f[0]=field_artists%253Afield_artist%3A1411">Su Hanchen</a> (Chinese, active 1120s–1160s)
        </p>
</div>

有"Chinese"、"Southern Song Dynasty"、"mid-12th century"三个信息，都在标签p中，用标签br隔开。如何定位这三个内容并获取文本内容？

谢谢。

Answer 1

使用XPath，即domNode.getFirstByXPath(path)

//div[@class='slide-title']/p/text()[1] = "Chinese"

//div[@class='slide-title']/p/text()[2] = "Southern Song Dynasty"

...

PS 使用 Chrome 开发人员工具可以轻松玩转 XPath。在控制台中使用 $x("//some-path")。

htmlUnit - 如何获取非元素内容

htmlUnit - How to get non-element content

java

web-crawler