如何从 HTML 中提取内容

Question

我有 HTML 作为字符串，我只想从中提取 "post_titles"。这是 HTML 字符串：

<div class="hidden" id="inline_49">
<div class="post_title">Single parenting</div>
<div class="post_name">single-parenting</div>
<div class="post_author">90307285</div>
<div class="comment_status">open</div>
<div class="ping_status">open</div>
<div class="_status">publish</div>
<div class="jj">20</div>
<div class="mm">07</div>
<div class="aa">2015</div>
<div class="hh">00</div>
<div class="mn">52</div>
<div class="ss">33</div>

它的 post 标题为 "Single parenting"，这是我要提取的内容。这就是我正在使用的：

Elements link = doc.select("div[class=post_title]");
String title = link.text();

但这是给出一个空字符串。我也试过：

Elements link = doc.select("div[id=inline_49]").select("div[class=post_title]");
String title = link.text();

这也给出了一个空字符串。请帮助我究竟需要使用什么选择器来提取标题。

Answer 1

如果你有它在一个字符串中，你可以尝试 regExp。

这个正则表达式的意思是“class post_title 之间的所有内容（不完全是，但对于您的样本来说是）。

String exp = "<div class=\"post_title\">([^<]*)</div>"

您应该能够通过以下方式获取内容：

String post_title = Pattern.compile(exp).matcher(yourString).group(1);

注意：我猜你的 post_title 不包含“<”...这确实会产生 XML 结构错误。

Answer 2

已更新！希望对你有用:

//Get div tag with class name is 'post_title'

Document doc;
    try {
        File input = new File("D:\JAVA\J2EE\Bin\Bin\Project\xml\src\demo\index.html");
        doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
        //Get div tag with class name is 'post_title'
        Element element = doc.select("div.post_title").first();
        System.out.println(element.html());
    } catch (Exception e) {
        e.printStackTrace();
    }

Answer 3

试试这个，但要确保您的 HTML 文本在字符串中的格式正确：

String html = "<div class=\"hidden\" id=\"inline_49\">" +
            "<div class=\"post_title\">Single parenting</div>" +
            "<div class=\"post_name\">single-parenting</div>" +
            "<div class=\"post_author\">90307285</div>";

Document document = Jsoup.parse(html);
Elements divElements = document.select("div");
for(Element div : divElements) {
    if(div.attr("class").equals("post_title")) {
       System.out.println(div.ownText());
    }
}

Answer 4

您必须在您的请求中包含一个 cookie。检查此 Java 代码：

try {

            String url = "https://ssblecturate.wordpress.com/wp-login.php";

            Connection.Response response = Jsoup.connect(url)
                    .data("log", "your_login_here") // your wordpress login
                    .data("pwd", "your_password_here") // your wordpress password
                    .data("rememberme", "forever")
                    .data("wp-submit", "Log In")
                    .method(Connection.Method.POST)
                    .followRedirects(true)
                    .execute();

            Document document = Jsoup.connect("https://ssblecturate.wordpress.com/wp-admin/edit.php")
                    .cookies(response.cookies())
                    .get();

            Element titleElement= document.select("div[class=post_title]").first();
            System.out.println(titleElement.text());

        } catch (IOException e) {
            e.printStackTrace();
        }

如何从 HTML 中提取内容

How to Extract Content From HTML

html

android

selector

jsoup