Question

主要是，我的问题是如何解析......

<p>some text<br />
<br />
<strong>categorized: </strong>like this<br />
<br /></p>

...我最终有兴趣获得关键值对，例如＆＃34;分类＆＃34;，＆＃34;像这样＆＃34;使用Java和Jsoup？我在看＆lt; strong＆gt;标签是某种分隔符，我可以用它来表示密钥，然后它的后续文本不方便地不包含在我需要抓取的标签中作为值。

我认为我面临的挑战是＆＃34;像这样＆＃34;部分不在元素中。它是一个兄弟节点，但它不能用CSS选择，所以我无法用Jsoup找到它。我不清楚节点和元素关系如何在Jsoup中工作，这样我就可以得到元素文本＆＃34;分类＆＃34;和它的兄弟姐妹＆＃34;像这样＆＃34;在一个电话中。

更详细地说，由于我试图从许多消费者产品安全委员会网页收集数据，因此我无法控制HTML结构。页面的格式有几种不同的方式，但有一种格式特别导致我使用Java和Jsoup解析数据时出现问题。

<div class="archived">
  <p style="text-align: center;"><strong><span style="color: #ff0000;">Note: The hotline number and ...</span></strong></p>
  <h2 style="text-align: left;">CPSC, Elkay Manufacturing Co. Announces ...</h2>
  <p>WASHINGTON, D.C. - The U.S. Consumer Product Safety Commission ...<br />
    <br />
    <strong>Name of product:</strong> Elkay hot/cold bottled water coolers <br />
    <br />
    <br />
    <strong>Units:</strong> 145,000<br />
    <br />
    <strong>Description:</strong> These 115 volt hot/cold bottled water coolers ... <br />
  <p><img title="Picture of Recalled Water Cooler" src="/PageFiles/73998/04175.jpg" alt="Picture of Recalled Water Cooler" width="110" height="434" /></p>
</div>

缩短了HTML的特定部分，但它来自http://www.cpsc.gov/en/Recalls/2004/CPSC-NETGEAR-Inc-Announce-Recall-of-Wall-Plug-Ethernet-Bridges-/

String url = "http://www.cpsc.gov/en/Recalls/2004/CPSC-NETGEAR-Inc-Announce-Recall-of-Wall-Plug-Ethernet-Bridges-/";
Document doc = Jsoup.connect(url).get();
Elements archived = doc.select("div.archived > *");
for(Element ele : archived) {
    //what goes here to get those key/value pairs?
}

Answer 1

这不是一个完整的答案，但它会让你95％。

String url="http://www.cpsc.gov/en/Recalls/2004/CPSC-NETGEAR-Inc-Announce-Recall-of-Wall-Plug-Ethernet-Bridges-/";

Document doc = Jsoup.connect(url).get();

Elements archived = doc.select("div.archived strong");

for (Element element: archived){
    System.out.println("KEY: " + element.text());
    System.out.println("VALUE: " + element.nextSibling());
}

输出：

KEY: Firm's Hotline: (800) 303-5507
VALUE: <br />

KEY: Name of product:
VALUE:  Wall Plug Ethernet Bridge

KEY: Units:
VALUE:  About 53,500 units

KEY: Manufacturer:
VALUE:  NETGEAR Inc., of Santa Clara, Calif.

KEY: Hazard:
VALUE:  The plastic housing on these units can detach, posing a shock hazard. 

and so on...

正如你所看到的，它需要一些工作来忽略不必要的东西，比如第一个元素KEY / VALUE对和诸如此类的东西，但是否则它应该有效！祝你好运。

使用Java 6和Jsoup 1.7.3，如何解析兄弟文本不在元素中的HTML？

1 个答案: