Question

我得到以下代表新闻文章的XML：

<content>
   Some text blalalala
   <h2>Small subtitle</h2>
   Some more text blbla
   <ul class="list">
      <li>List item 1</li>
      <li>List item 2</li>
   </ul>
   <br />
   Even more freakin text
</content>

我知道格式并不理想，但现在我必须接受它。

文章应该如下：

一些文字blalalala
小字幕
列出项目
更加疯狂的文字

我用Jsoup解析这个XML。我可以使用<content>在doc.ownText()标记内获取文字，但后来我不知道其他内容（副标题）的位置，我只得到一个大的String。

为此使用基于事件的解析器会更好吗（我讨厌它们:(）还是有可能做doc.getTextUntilTagAppears("tagName")之类的事情？

编辑：为了澄清，我知道在<content>下获取元素很热，我的问题是在<content>内获取文本，每次被元素中断时都会被分解。

我了解到我可以使用.textNodes()获取内容中的所有文本，效果很好，但是我又不知道我的文章中哪个文本节点属于哪个（一个在h2之前的顶部，另一个在h2之前一个在底部）。

Answer 1

Jsoup有一个出色的基于选择器的语法。 See here

如果你想要字幕

Document doc = Jsoup.parse("path-to-your-xml"); // get the document node

您知道字幕位于h2元素

中

Element subtitle = doc.select("h2").first();  // first h2 element that appears

如果您想要列表：

Elements listItems = doc.select("ul.list > li");
for(Element item: listItems)
    System.out.println(item.text());  // print list's items one after another

Answer 2

我犯的错误是Elements通过XML，其中不包含TextNodes。当我按节点逐个查看时，我可以检查Node是Element还是TextNode，这样我就可以相应地对待它们。

使用Jsoup解析XML

2 个答案: