Question

我实际上正在用Java开发一个文本解析器，并且我被要求通过解析HTML来增强它。解析器的目的是将解析的文件分成3个其他文件，一个包含文件中包含的所有单词，一个包含所有句子，另一个包含所有问题。

* .txt部分工作正常，但在解析HTML时遇到了问题。

我创建了一个带有* .txt扩展名的临时文件，并将其传递给我的文本解析器，但如果我传递一个链接了HTML文件的URL，其形式如下：

<!DOCTYPE html>
    <head>
        ... some HTML here ...
    </head>
    <body>
        <ul class="some_menu">
            <li class="some_menu_item">n1</li>
            <li class="some_menu_item">n2</li>
            <li class="some_menu_item">n2</li>
        </ul>
        <div>
            This is a question ?
            This is a sentence .
            ... some other text ...
        </div>
    </body>
</html>

问题文件将填写：n1 n2 n3 This is a question

所以，我只是想知道，有没有办法用标签解析JSoup标签，所以每次关闭一个块时我都可以添加换行符？

如果您需要一些新的信息，请不要打扰！

编辑：我应该有3个输出文件，例如：

一个包含所有单词

n1
n2
n3
This
is
a
question
sentence
... some other words ...

一个包含所有句子
```
This is a sentence
```
一个包含所有问题
```
This is a question
```

TimmyM

Answer 1

要获取html正文中的所有文本，您可以使用：

Document doc = Jsoup.connect(url).get();
Elements body = doc.select("body");
String allText = body[0].text();

然后，您可以拆分文本以使每个单词分开。要获取div标签中的文本，您可以使用：

Elements div = doc.select("div");
String divText = div[0].text();

然后您可以拆分divText来获取每个句子。

请注意，select查询的返回类型实际上是Element列表，即Elements。那是因为可以有多个元素匹配您select查询。在这种情况下，由于每种情况只有一个元素，我们通过访问返回数组的索引0来访问它。

编辑：为了遍历所有元素，请检查此answer。基本上

Elements elements = doc.body().select("*");

for (Element element : elements) {
    System.out.println(element.text());
}

虽然可能有没有文字的元素，所以你可以检查一下。

Answer 2

市场上有很多HTML解析器，比如

的HtmlUnit
HTMLCleaner
杰里科
JSoup

https://en.wikipedia.org/wiki/Comparison_of_HTML_parsers

谢谢，维尼特

JSoup - 按标记

2 个答案: