Question

我正试图从网站上查找药品清单。我正在使用JSOUP来解析Html。

这是我的代码：

URL url = new URL("http://www.medindia.net/drug-price/index.asp?alpha=a");
Document doc1 = Jsoup.parse(url, 0);

Elements rows = doc1.getElementsByAttributeValue("style", "padding-left:5px;border-right:1px solid #A5A5A5;");

for(Element row : rows){
    String htm = row.text();
    if(!(htm.equals("View Price")||htm.contains("Show Details"))) {
        System.out.println(htm);
        System.out.println();
    }
}

这是我得到的输出：

Output Image

P.S。 这不是完整的输出但由于我无法拍摄完整输出的屏幕截图，我只是显示了它。

我需要知道两件事：

问题1。为什么我在每个药物名称前面都有一个额外的空间？为什么我会在某些药物的名称后获得额外的新药？

问题2. 如何解决此问题？

Answer 1

一些事情：

这不是完整的输出，因为有多个页面。我放了一个for循环来解决这个问题。
您应该使用htm.trim()
当有新线（!htm.isEmpty()）
该网站有一个奇怪的字符，其中包含ASCII值160。我添加了一个解决问题的小修复程序。（使用.replace）

这是固定代码：

for(char page='a'; page <= 'z'; page++) {
  String urlString = String.format("http://www.medindia.net/drug-price/index.asp?alpha=%c", page);
  URL url = new URL(urlString);
  Document doc1 = Jsoup.parse(url, 0);
  Elements rows = doc1.getElementsByAttributeValue("style", "padding-left:5px;border-right:1px solid #A5A5A5;");
  for(Element row : rows){
    String htm = row.text().replace((char) 160, ' ').trim();
    if(!(htm.equals("View Price")||htm.contains("Show Details"))&& !htm.isEmpty())
    {
      System.out.println(htm.trim());
      System.out.println();
    }
  }
}

Answer 2

做一件事：

在syso中使用trim功能：System.out.println(htm.trim());

更新：

经过大量的努力，我能够解析所有这80种药物： -

URL url = new URL("http://www.medindia.net/drug-price/index.asp?alpha=a");
Document doc1 = Jsoup.parse(url, 0);
Elements rows = doc1.select("td.ta13blue");
Elements rows1 = doc1.select("td.ta13black.tbold");
int cnt=0;
for(Element row : rows){
    cnt++;
    String htm = row.text().trim();
    if(!(htm.equals("View Price")||htm.contains("Show Details") || htm.startsWith("Drug"))) {
        System.out.println(cnt+" : "+htm);
        System.out.println();
    }
}
for(Element row1 : rows1){
    cnt++;
    String htm = row1.text().trim();
    if(!(htm.equals("View Price")||htm.contains("Show Details") || htm.startsWith("Drug"))) {
        System.out.println(cnt+" : "+htm);
        System.out.println();
    }
}

Answer 3

1）通过 style 获取元素是非常危险的;

2）调用ROWS而不是FIELDS列表更危险：）

3）打开页面，您可以看到仅在“黑名称”之后添加额外的行，未包含在锚链接中的项目名称。

问题是，该行中的第二个字段不是Show Details也不是View Price，甚至不是空的......它是：

<td bgcolor="#FFFFDB" align="center" 
    style="padding-left:5px;border-right:1px solid #A5A5A5;">
         &nbsp;
</td>

这是一个空格字符串。像这样修改你的代码：

for(Element row : rows){
    String htm = row.text().trim(); // <!-- This one
    if(!
         (htm.equals("View Price") 
          || htm.contains("Show Details")
          || htm.equals("&nbsp;")) // <!-- And this one
       ) {
        System.out.println(htm);
        System.out.println();
    }
}

从我从网站上删除的文本中删除空白区域

3 个答案: