Question

我想使用Java使用xpaths从HTML中提取内容。在ruby中，我可以使用nokogiri执行此操作，如此处所示。

xpath = '/html/body/div/div[2]/div[2]/div/div[2]/div[3]/p'  
doc = Nokogiri::HTML(open('test_001_html64.html'))  
doc.xpath().each do |link|  
puts link.content  
end

我想用纯Java做。我查看了Jsoup，但是我找不到任何使用xpath执行此操作的文档或示例。有人可以建议吗？

谢谢

Answer 1

以下是使用JAXP（捆绑在Java中）执行此操作的方法：JAXP Manual

Answer 2

您可以使用HtmlUnit执行该任务。

这是一个简单的例子：

final WebClient webClient = new WebClient();
final HtmlPage startPage = webClient.getPage("http://www.google.com/");
List<DomNode> nodes = page.getByXPath("/html/body/div/div[2]/div[2]/div/div[2]/div[3]/p");
for (DomNode node : nodes) {
    System.out.println(node.getNodeName());
}

Answer 3

您可以在jsoup中轻松完成此操作。

Document doc = Jsoup.connect("test_001_html64.html").get();
Elements info = doc.getElementsByTag("html");
//iterate recursively to the desired location in the dom tree.

为了更快地解析，您可以使用特定的标签/ ID。

jsoup（jsoup.org/apidocs）的文档也存在。

使用纯Java从HTML doc中使用xpath提取内容

3 个答案: