Question

使用Jsoup，提取文本的最佳方法是什么，其模式已知（[number]%%[number]）但位于既不使用CSS也不使用div，跨越，类或其他任何标识的HTML页面type（是的，我无法控制的旧HTML页面）？

唯一能够始终识别该文本片段（并保证保持这种状态）的唯一方法就是HTML 始终看起来像这样（在更大的HTML体内）：

<hr>
2%%17
<hr>

（数字2和17仅为示例。它们可以是任何数字，实际上，这些是我需要从该HTML页面可靠地提取的两个变量。）

如果该文本位于封闭且唯一标识<span>或<div>的范围内，那么使用Jsoup提取它是没有问题的。问题是情况并非如此，我现在能想到的唯一方法（根本不是优雅）是通过一个处理原始 HTML正则表达式。

通过正则表达式处理原始HTML似乎效率低下，但因为我已经通过Jsoup将其解析为DOM。

建议？

Answer 1

这个怎么样？

Document document = Jsoup.connect(url).get();
Elements hrs = document.select("hr");
Pattern pattern = Pattern.compile("(\\d+%%\\d+)");

for (Element hr : hrs) {
    String textAfterHr = hr.nextSibling().toString();
    Matcher matcher = pattern.matcher(textAfterHr);

    while (matcher.find()) {
        System.out.println(matcher.group(1)); // <-- There, your data.
    }
}

在无CSS的HTML中提取两个<hr />标记之间的文本

1 个答案: