使用java从html文件中提取文本

我在一个文本爬虫工作，我需要从几个网站提取特定的文本。我使用了jsoup html解析器：

Document doc = Jsoup.connect("http://www.aljazeera.net/programs/behindthenews/2014/11/9/%D8%A3%D8%B3%D8%A8%D8%A7%D8%A8-%D9%88%D8%AF%D9%84%D8%A7%D9%84%D8%A7%D8%AA-%D8%A7%D8%B3%D8%AA%D9%85%D8%B1%D8%A7%D8%B1-%D8%A7%D9%84%D8%B5%D8%AF%D8%A7%D9%85-%D8%A8%D8%AC%D8%A7%D9%85%D8%B9%D8%A7%D8%AA-%D9%85%D8%B5%D8%B1").get();
Elements ps = doc.select("p");
String s = Jsoup.parse(ps.text()).text();
PrintWriter out = new PrintWriter("newFile.txt", "UTF-8");
out.write(s);
out.close();

此算法获取一个不需要的文本，需要的文本在此标记下

当我将选择更改为

Elements ps=doc.select（“p dir=rtl”），它返回一个编译错误

有没有办法让它只选择这个想要的标签？
下面的代码将捕获所有的标签：

String uri = URI.create("example.com").toASCIIString();
Document doc = Jsoup.connect(uri).get();
Elements pElements = doc.select("p[dir=rtl]");

StringBuilder sb = new StringBuilder();
for (Element element : pElements) {
    sb.append(element.text());
}

PrintWriter out = new PrintWriter("newFile.txt", "UTF-8");
out.write(sb.toString());
out.close();

唯一棘手的是，您需要使用编码的URL（而不是带有阿拉伯字母的URL）

编辑1:
URL编码可以在代码中完成。
以下代码将捕获所有
标记：

String uri = URI.create("example.com").toASCIIString();
Document doc = Jsoup.connect(uri).get();
Elements pElements = doc.select("p[dir=rtl]");

StringBuilder sb = new StringBuilder();
for (Element element : pElements) {
    sb.append(element.text());
}

PrintWriter out = new PrintWriter("newFile.txt", "UTF-8");
out.write(sb.toString());
out.close();

唯一棘手的是，您需要使用编码的URL（而不是带有阿拉伯字母的URL）

编辑1:
URL编码可以在代码中完成

需要的文本在此标记下

您需要使用以下CSS查询：

p/*选择任意p元素*/
[dir=rtl]/*。。。将“dir”属性设置为“rtl”*/

@纳维德沙基巴普尔酒店

上面的url需要编码。我们将使用URI#create helper方法。在返回的
URI
实例上，我们将调用
toasitring
方法

URI uri = URI //
           .create("http://www.aljazeera.net/programs/behindthenews/2014/11/9/أسباب-ودلالات-استمرار-الصدام-بجامعات-مصر") //
           .toASCIIString();

以下是一个工作示例代码：

示例代码
输出（内容剥离）
找到子链接：5
*****


(...)
-------------------------


(...)
-------------------------
(...)

需要的文本在此标记下

您需要使用以下CSS查询：

p/*选择任意p元素*/
[dir=rtl]/*。。。将“dir”属性设置为“rtl”*/

@纳维德沙基巴普尔酒店

上面的url需要编码。我们将使用URI#create helper方法。在返回的

URI

实例上，我们将调用

toasitring

方法

URI uri = URI //
           .create("http://www.aljazeera.net/programs/behindthenews/2014/11/9/أسباب-ودلالات-استمرار-الصدام-بجامعات-مصر") //
           .toASCIIString();

以下是一个工作示例代码：

示例代码 输出（内容剥离） 找到子链接：5 *****

(...) -------------------------

(...) ------------------------- (...)

---

您确定网站有

标签吗？我在网页源中找不到该标记。@NavidShakibapour是的，该标记不在主链接中，而是在其子链接中-links@JeffreyBosboom谢谢，这很有帮助，但是你能帮我选择哪种语法吗？因为我不知道该选择哪种语法。你可以更新问题，使其具有你希望的

标记的确切链接吗？你确定该网站有

标记吗？我在网页源中找不到该标记。@NavidShakibapour是的，该标记不在主链接中，而是在其子链接中-links@JeffreyBosboom谢谢，这很有帮助，但是你能帮我选择哪种语法吗？因为我不知道该选择哪种语法。你能更新问题，使其具有你希望的

标记的确切链接吗？