Question

我正在构建一个小型Java应用程序来获取五个维基百科页面并在html源代码中找到子字符串。我正在使用org.apache.commons.lang3.StringUtils库。然而，维基百科的文章可能很大，而且StringUtils似乎有一个限制：

String html;

try {
    html = Jsoup.connect("http://en.wikipedia.org/wiki/Canada").get().html();
} catch(IOException e) {
    html = "";
}

String trimmedHtml = substringBetween(html, "<html>", "</html>");

System.out.println(html); // prints the whole source code fine
System.out.println(trimmedHtml); // prints null

为什么控制台会为null打印trimmedHtml？输出应该（几乎）与html一样大。字符串输出或substringBetween()的参数是否有最大长度？

Answer 1

字符串util方法工作并且经过充分测试 - 此处没有“限制”或“错误”。

查看页面来源会显示<html>不匹配：

<html lang="en" dir="ltr" class="client-nojs">

一般来说，为什么HTML的字符串处理不是个好主意的一个很好的例子。继续使用Jsoup提供的支持，在获得＆lt; HTML＆gt;之后可能会使用html()方法。元件。

substringBetween（）在尝试提取时返回null。

1 个答案: