Question

我即将解析此网址：http://online.wsj.com/public/page/news-wall-street-heard.html?dsk=y

Document jDoc = Jsoup.connect(url1).get();
System.out.println(jDoc1.text());

但是第二行（上面）的输出是textarea里面的TAGS +其他标签的文本。输出如下：

..
..
<ul class="">
<li><a data-time="1dy" data-frequency="1mi" class="mdm_time">1 Day</a></li>
<li><a data-time="5dy" data-frequency="15mi" class="mdm_time">5 Days</a></li>
..
..

所有html都会被打印（内部的内容）和其他标签的文本。我想要从Doc中删除此标记，或者想将其作为元素，以便我可以将其删除。

希望，我能够清楚地解释一切。请帮我解决这个问题。

编辑：

根据建议，我这样做了：

System.out.println(jDoc1.select("textarea"));

输出来的是：

    textarea id="wsj_autocomplete_template" style="display:none">   

    &lt;div&gt;
            &lt;div class=&quot;acHeadline hidden&quot;  &gt;
            &lt;/div&gt;
            &lt;div class=&quot;dropdownContainerClass&quot;&gt;
                &lt;div class=&quot;suggestionblock hidden&quot; templateType=&quot;C1&quot;&gt;    

....
...
..

当然它正在选择textarea，但无法解析内部元素。可能是由于＆amp; lt而不是＆lt;标签。有没有解决方法呢？

Answer 1

如果我理解正确，你想要的是这个

Elements textareas = Jsoup.connect(url1).get().select("textarea");

for (Element textarea : textareas) {
    Elements elements = textarea.select("*"); 
    for (Element element : elements) {
        System.out.println(element.ownText());
    }
}

Answer 2

如果要删除整个文本区域标记，请使用doc.select("textarea").remove();。或者，如果您想获得textarea的内容，请使用doc.select("textarea").text()。请注意，我使用的是text()方法，而不是toString()或html()方法。这给出了确切的文本而不是html转义码。

如果你想操纵这个html，你可以再次解析它，如Document textareaDoc = Jsoup.parseBodyFragment(doc.select("textarea").text());

实施例

import java.io.IOException;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;


public class WSJParser {

    public static void main(String[] args) {
        String url = "http://online.wsj.com/public/page/news-wall-street-heard.html?dsk=y";
        try {
            Document doc = Jsoup.connect(url).get();
            //doc.select("textarea").remove(); // Removes the entire text area tag
            Document textareaDoc = Jsoup.parseBodyFragment(doc.select("textarea").text());
            System.out.println(textareaDoc);
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

}

从Document doc </textarea>中删除<textarea>标记

2 个答案: