Question

我是jsoup的新手，可能使用它错了。我打算联系邮件列表，但是jsoup instructs to post here first。我试图从表中选择<td>元素，但返回的第一个元素实际上是<thead>。这是获取给定表的<td>元素的错误方法吗？如果是这样，那么正确的方法是什么？

以下简单代表性问题：

HTML：

<table id="results_table">
    <thead>
        <th>Header1</th>
    </thead>
    <tbody>
        <tr>
            <td>td1</td>
        </tr>
    </tbody>
</table>

测试：

String pageHtml = IOUtils.toString(this.getClass().getResourceAsStream("sample.html"));
Document doc = Jsoup.parse(pageHtml);
Element table = doc.getElementById("results_table");
Elements trs = table.getElementsByTag("tr");

System.out.println("Size: " + trs.size());
System.out.println("First Element: " + trs.get(0).html());
System.out.println("Second Element: " + trs.get(1).html());

收到的输出：

Size: 2
First Element: <th>Header1</th>
Second Element: <td>td1</td>

预期产出：

Size: 1
First Element: <td>td1</td>
//Index out of bounds exception

Answer 1

据推测，jsoup在解析HTML文档时会将<th>元素放在自己的<tr>中，从而产生以下DOM：

<table id="results_table">
    <thead>
        <tr>
            <th>Header1</th>
        </tr>
    </thead>
    <tbody>
        <tr>
            <td>td1</td>
        </tr>
    </tbody>
</table>

由于表格单元格必须位于表格行中（这意味着您的源HTML文件无效），我希望任何HTML处理器（尤其是Web浏览器）都能这样做（这在XML模式下不会发生，尽管，jsoup不支持）。

相反，您可以使用doc.select()和CSS选择器来获取<tbody>中的行：

String pageHtml = IOUtils.toString(this.getClass().getResourceAsStream("sample.html"));
Document doc = Jsoup.parse(pageHtml);
Elements trs = doc.select("#results_table tbody tr");

System.out.println("Size: " + trs.size());
System.out.println("First Element: " + trs.get(0).html());
System.out.println("Second Element: " + trs.get(1).html()); // IndexOutOfBoundsException

（您也可以使用一系列getElementsByTag()次调用，但这需要额外的遍历和迭代;使用doc.select()会更加清晰。）

如果您不需要先浏览行，只想直接获取<td>元素，则可以这样做：

String pageHtml = IOUtils.toString(this.getClass().getResourceAsStream("sample.html"));
Document doc = Jsoup.parse(pageHtml);
Element table = doc.getElementById("results_table");
Elements tds = table.getElementsByTag("td");

选择标签时jsoup返回标签？

1 个答案: