如何只获取HTML页面的一部分？

Question

从HttpClient4的Apache和Java请求中获取Html页面的一部分的最佳方法是什么？具体来说，我需要一张表（它的内容） 解释，示例或链接会很棒。

Answer 1

您可以做的是从响应中创建一个DOM对象，因为它应该是一个有效的文档。

执行类似

的操作

DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
DocumentBuilder builder = factory.newDocumentBuilder();
Document document = builder.parse(/* your input stream from response */);
Element tableElement = document.getElementById("the-table-id");

Answer 2

Adrian Rodriguez的方式并不错，但不幸的是，只有当HTML是XHTML（即有效格式化的XML）时它才会起作用。您可以使用名为Web Harvest的库（在sourceforge.net上可用）来刮取页面并以声明方式提取表，而不是编写代码来执行此操作。它还包括构建脚本中的阶段，用于根据需要清理页面。我强烈建议使用它，因为它是一个更强大的解决方案，你想要的，特别是如果你将来需要刮掉其他页面。