Question

假设我使用JSoup

解析以下代码

＆＃13;

<body> 
  <div id="myDiv" class="simple" >
    <p>
	  <img class="alignleft" src="myimage.jpg" alt="myimage" />
	  I just passed out of UC Berkeley
    </p>
  </div> 
</body>

＆＃13;

问题是，只给出一个关键字＆＃34; Berkeley＆＃34;，在html中有更好的方法来查找元素/ XPath（或者它的列表，如果存在多次出现的关键字），将此关键字作为其文本的一部分。

我不能事先看到html，只能在运行时使用。

我当前的实现 - 使用Java-Jsoup，遍历body的子节点，并获得＆＃34; ownText＆＃34;和每个孩子的文本，然后深入到他们的孩子，以缩小html元素。我觉得这很慢。

Answer 1

不优雅但简单的方式可能如下：

import java.util.HashSet;
import java.util.Set;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Element;
import org.jsoup.parser.Tag;
import org.jsoup.select.Elements;

public class JsoupTest {

    public static void main(String argv[]) {
        String html = "<body> \n" +
                      "  <div id=\"myDiv\" class=\"simple\" >\n" +
                      "    <p>\n" +
                      "   <img class=\"alignleft\" src=\"myimage.jpg\" alt=\"myimage\" />\n" +
                      "   I just passed out of UC Berkeley\n" +
                      "    </p>\n" +
                      "    <ol>\n" +
                        "    <li>Berkeley</li>\n" +
                        "    <li>Berkeley</li>\n" +
                      "    </ol>\n" +
                      "  </div> \n" +
                      "</body>";
        Elements eles = Jsoup.parse(html).getAllElements(); // get all elements which apear in your html
        Set<String> set = new HashSet<>(); 
        for(Element e : eles){
           Tag t = e.tag();
           set.add(t.getName());  // put the tag name in a set or list
        }
        set.remove("head"); set.remove("html"); set.remove("body"); set.remove("#root"); set.remove("img");  //remove some unimportant tags 
        for(String s : set){
             System.out.println(s);
             if(!Jsoup.parse(html).select(s+":contains(Berkeley)").isEmpty()){ // check  if the tag contains your key word
             System.out.println(Jsoup.parse(html).select(s+":contains(Berkeley)").get(0).toString());} // print it out or do something else
            System.out.println("---------------------");
            System.out.println();            
        }       
     }   
  }

Answer 2

试试这个xpath：

表示带class的第一个元素：

'//*[contains(normalize-space(), "Berkeley")]/ancestor::*[@class]'

表示带id的第一个元素：

'//*[contains(normalize-space(), "Berkeley")]/ancestor::*[@id]'

检查normalize-space

如何查找给定文本的html元素

2 个答案: