Question

我正在尝试使用Jsoup解析HTML页面并创建一些奇怪的问题。该页面为：http://www.filmaffinity.com/en/film290741.html，您可以看到不是well formed。它有一些问题，我猜可以影响解析。通过Firebug和Chrome，我已经获得了我正在寻找的元素的XPath（页面中的5.8率）。

Chrome指向： /html/body/table[2]/tbody/tr/td[2]/table/tbody/tr[1]/td/table[1]/tbody/tr/td[2]/table/tbody/tr[2]/td
Firebug指出： /html/body/table[2]/tbody/tr/td[2]/table/tbody/tr/td/table/tbody/tr/td[2]/table/tbody/tr[2]/td

唯一的区别是Chrome中的1未在Firebug中显示。我手动验证了路径，这是正确的。

然后我在Jsoup中将xpath转换为CSS查询，以便稍后提取特定元素：

Element rate=doc.select("html body table:nth-child(2) tbody tr td:nth-child(2) table tbody tr td table tbody tr td:nth-child(2) table tbody tr:nth-child(2) td")

代码的执行不能正确定位我，而是定位到Firebug在XPath中引用的元素：

wrong:/html/body/table[2]/tbody/tr/td[2]/table/tbody/tr/td/table/tbody/tr/td/table/tbody/tr[15]/td[2]
    right:/html/body/table[2]/tbody/tr/td[2]/table/tbody/tr/td/table/tbody/tr/td[2]/table/tbody/tr[2]/td

从最后开始，第一个区别是：

/ TD /表/ tbody的/ TR [15] / TD [2]

它取第一个元素而不是第二个元素。

有没有办法解决这类问题？与html相关的问题是否格式不正确，或者我是否遗漏了其他一些我可以用来解决此问题的Jsoup技术？

我选择了Jsoup，因为它应该能够处理不完善的Html。我要求太高了吗？

Jsoup还有其他方法可以解决这类问题吗？

Answer 1

你快到了！

问题是（正如你所提到的）你提供给select()的表达式匹配两个元素。我通过在Chrome开发控制台中执行JQuery来检查这一点。

select()会返回Elements，因此您只能访问rate.get(1)，但这并不能很好地阅读。因此，您可以为查询添加更多细化，以便获得您所追求的评分：

Element rate=doc.select("html body table:nth-child(2) tbody tr td:nth-child(2) table tbody tr td table tbody tr td:nth-child(2) table tbody tr:nth-child(2) td[align=center]").first();

哪个有效，因为其他td不居中。

Answer 2

我无法找到“科学”的解决方案。相反，我已经搜索了其他方法来定义元素（基于不同的属性和元素）。

这不是一个优雅的解决方案，但它有效。

卓越的JSoup支持Selector的很多选项。唯一的缺点是，处理不完善的HTML所谓的先进能力并不是那么先进。

使用JSoup解析HTML（格式不正确）

2 个答案: