使用 java 和 jsoup 从 html 标签中提取值

Question

我是新手，正在使用 jsoup 库 (jsoup-1.14.3)

我有这个html

<html><head><title>Alfresco Content Repository</title><style>body { font-family: Arial, Helvetica; font-size: 12pt; background-color: white; }
table { font-family: Arial, Helvetica; font-size: 12pt; background-color: white; }
.listingTable { border: solid black 1px; }
.textCommand { font-family: verdana; font-size: 10pt; }
.textLocation { font-family: verdana; font-size: 11pt; font-weight: bold; color: #2a568f; }
.textData { font-family: verdana; font-size: 10pt; }
.tableHeading { font-family: verdana; font-size: 10pt; font-weight: bold; color: white; background-color: #2a568f; }
.rowOdd { background-color: #eeeeee; }
.rowEven { background-color: #dddddd; }
</style></head>
<body>
<table cellspacing='2' cellpadding='3' border='0' width='100%'>
<tr><td colspan='4' class='textLocation'>Directory listing for /rep</td></tr>
<tr><td height='10' colspan='4'></td></tr></table><table cellspacing='2' cellpadding='3' border='0' width='100%' class='listingTable'>
<tr><td class='tableHeading' width='*'>Name</td><td class='tableHeading' width='10%'>Size</td><td class='tableHeading' width='20%'>Type</td><td class='tableHeading' width='25%'>Modified Date</td></tr>
<tr class='rowOdd'><td class='textData'><a href="/alfresco/webdav/rep/ED">ED</a></td><td class='textData'>&nbsp;</td><td class='textData'>&nbsp;</td><td class='textData'>Thu, 05 Jan 2017 11:11:14 GMT</td></tr>
<tr class='rowEven'><td class='textData'><a href="/alfresco/webdav/rep/FLOW%20CHART">FLOW CHART</a></td><td class='textData'>&nbsp;</td><td class='textData'>&nbsp;</td><td class='textData'>Thu, 27 Jun 2013 13:30:18 GMT</td></tr>
<tr class='rowOdd'><td class='textData'><a href="/alfresco/webdav/rep/file">file</a></td><td class='textData'>&nbsp;</td><td class='textData'>&nbsp;</td><td class='textData'>Wed, 10 Nov 2021 13:16:49 GMT</td></tr>


</table></body></html>

另外，我正在尝试获取每个标签的 href。

例如，

  
<table cellspacing='2' cellpadding='3' border='0' width='100%'>
<tr><td colspan='4' class='textLocation'>Directory listing for /rep</td></tr>
<tr><td height='10' colspan='4'></td></tr></table><table cellspacing='2' cellpadding='3' border='0' width='100%' class='listingTable'>
<tr><td class='tableHeading' width='*'>Name</td><td class='tableHeading' width='10%'>Size</td><td class='tableHeading' width='20%'>Type</td><td class='tableHeading' width='25%'>Modified Date</td></tr>
<tr class='rowOdd'><td class='textData'><a href="/alfresco/webdav/rep/ED">ED</a></td><td class='textData'>&nbsp;</td><td class='textData'>&nbsp;</td><td class='textData'>Thu, 05 Jan 2017 11:11:14 GMT</td></tr>

我想提取 "/alfresco/webdav/rep/ED" 和 "ED"" 和 "Thu, 05 2017 年 1 月 11:11:14 格林威治标准时间

Answer 1

首先你需要解析html String to Document.

final Document document = Jsoup.parse(html);

然后你需要 select 所有 tr 个包含 a 个标签的标签。

final Elements trElements = document.select("tr:has(a)");

之后，您需要浏览找到的每个 tr 标签：

for (final Element trElement : trElements) {
    //Do stuff
}

对于每个 tr 标签，您检索标签的 href 值。但首先，您需要检索 a 标签：

final Element aElement = trElement.select("a").first();

然后，我们检索标签 a 中 href 属性的值。

final String href = aElement.attr("href");

对于名称，您检索 a 标签的文本内容：

final String name = aElement.text();

对于日期，您需要从 tr 标签中检索第四个 td 标签：

final Element dateTdElement = trElement.select("td").get(3);

只需检索值文本即可获取日期内容：

final String date = dateTdElement.text();

NB : 方法 select() 接受一个 css 查询。所有 css 查询都适用于扩展语法，如 ':has()' 和其他部分。有关详细信息，请参阅 Jsoup 文档。

要在一个代码中恢复所有内容：

public static void main(final String[] args) {
    final String html = "<html><head><title>Alfresco Content Repository</title><style>body { font-family: Arial, Helvetica; font-size: 12pt; background-color: white; }\n" +
            "table { font-family: Arial, Helvetica; font-size: 12pt; background-color: white; }\n" +
            ".listingTable { border: solid black 1px; }\n" +
            ".textCommand { font-family: verdana; font-size: 10pt; }\n" +
            ".textLocation { font-family: verdana; font-size: 11pt; font-weight: bold; color: #2a568f; }\n" +
            ".textData { font-family: verdana; font-size: 10pt; }\n" +
            ".tableHeading { font-family: verdana; font-size: 10pt; font-weight: bold; color: white; background-color: #2a568f; }\n" +
            ".rowOdd { background-color: #eeeeee; }\n" +
            ".rowEven { background-color: #dddddd; }\n" +
            "</style></head>\n" +
            "<body>\n" +
            "<table cellspacing='2' cellpadding='3' border='0' width='100%'>\n" +
            "<tr><td colspan='4' class='textLocation'>Directory listing for /rep</td></tr>\n" +
            "<tr><td height='10' colspan='4'></td></tr></table><table cellspacing='2' cellpadding='3' border='0' width='100%' class='listingTable'>\n" +
            "<tr><td class='tableHeading' width='*'>Name</td><td class='tableHeading' width='10%'>Size</td><td class='tableHeading' width='20%'>Type</td><td class='tableHeading' width='25%'>Modified Date</td></tr>\n" +
            "<tr class='rowOdd'><td class='textData'><a href=\"/alfresco/webdav/rep/ED\">ED</a></td><td class='textData'>&nbsp;</td><td class='textData'>&nbsp;</td><td class='textData'>Thu, 05 Jan 2017 11:11:14 GMT</td></tr>\n" +
            "<tr class='rowEven'><td class='textData'><a href=\"/alfresco/webdav/rep/FLOW%20CHART\">FLOW CHART</a></td><td class='textData'>&nbsp;</td><td class='textData'>&nbsp;</td><td class='textData'>Thu, 27 Jun 2013 13:30:18 GMT</td></tr>\n" +
            "<tr class='rowOdd'><td class='textData'><a href=\"/alfresco/webdav/rep/file\">file</a></td><td class='textData'>&nbsp;</td><td class='textData'>&nbsp;</td><td class='textData'>Wed, 10 Nov 2021 13:16:49 GMT</td></tr>\n" +
            "\n" +
            "\n" +
            "</table></body></html>";

    final Document document = Jsoup.parse(html);
    final Elements trElements = document.select("tr:has(a)");
    for (final Element trElement : trElements) {
        final Element aElement = trElement.select("a").first();
        final String href = aElement.attr("href");
        System.out.println("Href : " + href);

        final String name = aElement.text();
        System.out.println("Name : " + name);

        final Element dateTdElement = trElement.select("td").get(3);
        final String date = dateTdElement.text();
        System.out.println("Date : " + date);
    }
}

它打印出如下内容：

Href : /alfresco/webdav/rep/ED
Name : ED
Date : Thu, 05 Jan 2017 11:11:14 GMT
Href : /alfresco/webdav/rep/FLOW%20CHART
Name : FLOW CHART
Date : Thu, 27 Jun 2013 13:30:18 GMT
Href : /alfresco/webdav/rep/file
Name : file
Date : Wed, 10 Nov 2021 13:16:49 GMT

使用 java 和 jsoup 从 html 标签中提取值

Extract values from html tags using java with jsoup

java

jsoup