Question

我有一个HTML文件：

＆＃13;

<div>
   DIV1
    <div>
      DIV2
       <div>
          DIV3
       </div>
    </div>
</div>

＆＃13;

我想解析那个HTML。但是，我不想将整个解析的HTML作为字符串：

DIV1 DIV2 DIV3

我想逐个元素地获取值，但没有重复。我的意思是我不想要那个：

当你得到第一个div的值时，它是：

DIV1 DIV2 DIV3

秒的div值：

DIV2 DIV3

第三个div的值：

DIV3

我不想要的结果是：

DIV1 DIV2 DIV3
DIV2 DIV3
DIV3

我想要那个结果：

DIV1
DIV2
DIV2

我会对他们应用一些程序，我也不想要重复的值。我想使用Java解析器来解决我的问题。我考虑过使用Jsoup，但是在使用它时会解析整个HTML。

Answer 1

听起来您想为HTML文档中的所有文本节点执行pre order depth first search。幸运的是，大多数解析库（包括XML库）都会按顺序为所有节点提供迭代器。

我建议您使用Jericho并致电getNodeIterator()，然后检查它是否为文本节点，是否将其打印出来。 Nootice链接有示例代码，但为了方便起见，我会将其粘贴到此处：

 for (Iterator<Segment> nodeIterator=segment.getNoteIterator(); nodeIterator.hasNext();) {
   Segment nodeSegment=nodeIterator.next();
   if (nodeSegment instanceof Tag) {
     Tag tag=(Tag)nodeSegment;
     // HANDLE TAG
     // Uncomment the following line to ensure each tag is valid XML:
     // writer.write(tag.tidy()); continue;
   } else if (nodeSegment instanceof CharacterReference) {
     CharacterReference characterReference=(CharacterReference)nodeSegment;
     // HANDLE CHARACTER REFERENCE
     // Uncomment the following line to decode all character references instead of copying them verbatim:
     // characterReference.appendCharTo(writer); continue;
   } else {
     // HANDLE PLAIN TEXT
   }
   // unless specific handling has prevented getting to here, simply output the segment as is:
   //writer.write(nodeSegment.toString());
 }

在// HANDLE CHARACTER REFERENCE和// HANDLE PLAIN TEXT中，您要添加字符串附加代码。

在Java上按元素解析HTML元素

1 个答案: