Question

在像http://wikitravel.org/en/San_Francisco这样的网站上，“区域”，“理解”，“进入”等部分实际上并不包含HTML中的整个部分。部分实际上只是标题中的跨度类。因此，只需选择id就无法获取维基文档的某些部分。

但是，是否可以收集两个标签之间的所有html？说我想要“四处走动”部分。我如何发出一个选择器，说明

之间的所有html

<h2><span class="editsection">[<a href="/wiki/en/index.php?title=San_Francisco&amp;action=edit&amp;section=15" title="Edit section: Get around">edit</a>]</span> <span class="mw-headline" id="Get_around">Get around</span></h2>

和

<h2><span class="editsection">[<a href="/wiki/en/index.php?title=San_Francisco&amp;action=edit&amp;section=22" title="Edit section: See">edit</a>][<a href="#See" title="click to add a see listing" onclick="addListing(this, '22', 'see', 'San_Francisco');">add listing</a>]</span> <span class="mw-headline" id="See">See</span></h2>

Answer 1

哎哟。 HTML不是很容易使用。我认为你可能正在做一些刮痧，所以我知道有时这就是我们处理的很多东西。你标记了这个jsoup，所以我会捅它。通常情况下，没有选择器可以使用相当非结构化的HTML。您可以做的是选择第一个h2的所有下一个兄弟姐妹，然后删除第二个h2的所有下一个兄弟姐妹。为了增加痛苦，我们只能通过文本内容识别部分标题，因此我们需要使用:contains选择器。像这样：

Document doc = Jsoup.connect("http://wikitravel.org/en/San_Francisco").get();
//select all "next siblings" of the "Get around" h2
Elements section = doc.select("h2:contains(Get around) ~ *");
//select all "next siblings" of the "See" h2 and remove them
section.select("h2:contains(See) ~ *").remove();
//remove the second h2
section.select("h2").remove();
//section now contains the elements between "Get around" and "See"
String sectionHtml = section.html();

使用jQuery做同样的事后，这是一些Firebug输出：第一个选择器返回一个包含这些Element的Elements对象：

[h3, p, p, p, p, h3, p, p, p, h3, div.thumb, div.thumb, p, ul, p, p, p, p, p, p, p, div.thumb, ul, ul, div.thumb, ul, ul, p, ul, ul, h3, p, p, p, h3, p, p, p, h3, p, p, p, p, p, p, h2, p, p, ul, ul, ul, h3, p, ul, h3, div.thumb, p, p, p, h3, div.thumb, p, p, p, p, p, h3, p, p, p, p, h3, div.thumb, p, p, p, p, p, h2, h3, div.thumb, p, p, p, p, p, ul, h3, div.thumb, ul, ul, ul, ul, ul, h3, p, h4, ul, h4, ul, h4, p, ul, h4, ul, h3, div.thumb, p, p, p, h3, p, h2, p, p, h2, p, p, p, h2, dl, p, p, p, p, h2, div.thumb, dl, p, p, p, h2, dl, h3, p, p, p, p, p, p, h3, p, ul, p, p, h2, dl, p, p, p, h2, p, p, p, p, h2, p, p, p, p, p, p, h2, p, p, p, p, h2, h3, ul, h3, ul, ul, ul, ul, ul, ul, ul, ul, ul, ul, ul, ul, ul, ul, ul, ul, ul, ul, ul, ul, ul, ul, ul, ul, ul, h2, p, p, ul, p, div.route_box, p, p, p, p, p, table, p, div, p, p, p, p]

第一个h3说“导航”而最后一个p包含<br>（奇怪的HTML，是的）。第二个选择和删除削减了它：

[h3, p, p, p, p, h3, p, p, p, h3, div.thumb, div.thumb, p, ul, p, p, p, p, p, p, p, div.thumb, ul, ul, div.thumb, ul, ul, p, ul, ul, h3, p, p, p, h3, p, p, p, h3, p, p, p, p, p, p, h2]

第一个h3仍然是“导航”，最后一个h2是您参考的“看到”。 select（“h2”）和remove导致了这个：

[h3, p, p, p, p, h3, p, p, p, h3, div.thumb, div.thumb, p, ul, p, p, p, p, p, p, p, div.thumb, ul, ul, div.thumb, ul, ul, p, ul, ul, h3, p, p, p, h3, p, p, p, h3, p, p, p, p, p, p]

其中包含“Get around”h2和“See”h2之间的所有元素。

Jsoup在两个标签之间获取html

1 个答案: