Question

我有这个已经在论坛中抓取并保存的html文件。我想从已爬网数据中提取所有线程标题，问题是它设法放出一些线程标题但不是全部而是跳过一些线程标题。

我附上了实际HTML的示例。注意：“threadbits_forum_2”2正在运行编号

<tbody id="threadbits_forum_2">
<tr>
    <td>Thread1</td>
</tr>
<tr>
    <td>Thread2</td>
</tr>
<tr>
    <td>Thread3</td>
</tr>
<tr>
    <td>Thread4</td>
</tr>
.
.
.
.
</tbody>

Java编码：

        Document doc = Jsoup.parse(html);

        Elements threadsList = doc.select("tbody[id^=threadbits_forum]").select("tr");
        System.out.println(threadsList.toString());

结果：

 <tbody id="threadbits_forum_2">
<tr>
    <td>Thread2</td>
</tr>
<tr>
    <td>Thread4</td>
</tr>

获取所有主题标题的任何解决方法？

感谢您阅读我的帖子。

基思

Answer 1

您需要使用for（）语句扫描所有名称。

Elements threadsList = doc.select("tr");
for(thread : threadsList){
      String title;
      Elements titles = thread.select("td");
      title = titles.text();
}

如果每个属性都有属性，这会有所帮助。所以不是tr或td，而是select（“tr [class = threadClass]”）。我假设您不是在每个属性中发布属性。

尝试类似的东西。

编辑：我将尝试解释JSoup的工作原理，它可能会让您更好地了解如何使用它进行编码。创建Elements对象时，在select（）方法中指定要扫描的元素。因此它将扫描所有HTML，查找其中包含tr或td的任何元素。然后将它们放入Elements数组中。然后，您必须使用for（）语句扫描该数组，以从这些元素中获取所需的信息。当您仅指定不带任何属性的元素时，它将使用tr或td元素检索HTML的任何部分。这通常会导致错误，因为在站点上通常有多个区域包含这些元素，因此它将返回超出您想要的值。

Answer 2

您的查询要求错误的tbody id。在html中，tbody的id为＆＃34; threadbits_forum_2＆＃34;并且您的代码正在搜索＆＃34; threadbits_forum＆＃34;的ID。我建议进行以下更改：

Element tbody = doc.getElementById("threadbits_forum_2");
Elements trs = tbody.getElementsByTag("tr");
//verify trs.size() is correct
for (Element tr : trs) {
    //do whatever you want
}

Jsoup：无法选择tbody id中的所有行

2 个答案: