HtmlUnit - 获取没有id的2个标签之间的文本

Question

我在这个网页上使用了htmlUnit http://www.my-personaltrainer.it/Foglietti-illustrativi/Torvast.html 有一个部分索引，每个部分都有自己的文本。我想创建一个方法，返回传递section的名称的文本。

所有部分的名称都在名为'lista'的标签内，我以这种方式得到这些信息：

HtmlPage page = webClient.getPage("http://www.my-personaltrainer.it/Foglietti-illustrativi/Torvast.html");
final String pageAsText = page.asText();
        final Iterable<DomElement> div = page.getHtmlElementById("lista").getChildElements();
        ArrayList<String> menu = new ArrayList<>();
        for (DomElement e : div) {
            menu.add(e.asText());
        }

所有信息都在我迭代的范围内：

Iterable<DomElement> desc = page.getHtmlElementById("foglietto_descrizioni").getChildElements();

每个部分都在没有id或class的h2标签内。所以我不知道如何将标签h2之间的所有文本提取到另一个标签。

Answer 1

如果元素层次结构遵循模式，则可以访问 H2 标记：

$('#Indicazioni').parent()

然后，如果你想获得H2里面的所有文字，你可以使用：

$('#Indicazioni').parent().text()

不确定是否能回答你的问题。

我没有使用过HtmlUnit，但据我所知，它支持jQuery。

Answer 2

您可以使用.getByXPath，如下例所示：

    try (WebClient webClient = new WebClient()) {
        HtmlPage page = webClient.getPage("http://www.my-personaltrainer.it/Foglietti-illustrativi/Torvast.html");
        HtmlElement span = page.getHtmlElementById("foglietto_descrizioni");
        for (Object o : span.getByXPath(".//h2")) {
            HtmlHeading2 h2 = (HtmlHeading2) o;
            System.out.println("text 1 = " + h2.getFirstChild().getNextSibling().asText());
            System.out.println("text 2 = " + h2.<HtmlElement>getFirstByXPath("./span").asText());
        }
    }

请注意，.表示来自此节点，/表示搜索直接子节点，而//表示递归搜索子节点和子孙，