Java 如何在html/文本内容中获取文本？_Java_Html Parsing_Jsoup

Java 如何在html/文本内容中获取文本？

java

Java 如何在html/文本内容中获取文本？,java,html-parsing,jsoup,Java,Html Parsing,Jsoup,大家好我的html/文本类似于： <html><head><style type="text/css"> </style></head> <body><div style="font-family:times new roman,new york,times,serif;font-size:14pt">first text<br><div><br></div>&l

大家好我的html/文本类似于：

<html><head><style type="text/css">
</style></head>
<body><div style="font-family:times new roman,new york,times,serif;font-size:14pt">first text<br><div><br></div><div style="font-family: times new roman,new york,times,serif; font-size: 14pt;"><br><div style="font-family: times new roman,new york,times,serif; font-size: 12pt;"><font size="2" face="Tahoma"><hr size="1"><b><span style="font-weight: bold;">one:</span></b> second text<br><b><span style="font-weight: bold;">two:</span></b> third text<br><b><span style="font-weight: bold;">three:</span></b> fourth text<br><b><span style="font-weight: bold;">five:</span></b> fifth text<br></font><br>


第一个文本


第一个：第二个文本
第二个：第三个文本
第三个：第四个文本
第五个：第五个文本

我想在上面的html内容中提取名为“FirstText”的文本

注意：此html内容不是静态的，而是动态的，因此一般的想法是在html文本中获取第一个纯文本

如果您想要一些相当简单的内容，请查看my，它是为在Java ME平台上使用而设计的，因此几乎可以在任何地方使用。没有什么特别的，只是一种将文本流转换为标记和非标记的简单方法。延迟加载属性，如果基本上忽略标记，那么使用起来非常快。

您可以使用SAX样式的HTML解析器，如

为此，使用扩展的

DefaultHandler

初始化解析器，以检测何时第一次调用

characters（…）

方法并保存结果

查看如何设置解析器的一些指导。

您标记了，因此您正在使用。这已经是一个不错的选择；）

以下是使用Jsoup的方法：

String html = "<html><head><style type=\"text/css\"></style></head><body><div style=\"font-family:times new roman,new york,times,serif;font-size:14pt\">first text<br><div><br></div><div style=\"font-family: times new roman,new york,times,serif; font-size: 14pt;\"><br><div style=\"font-family: times new roman,new york,times,serif; font-size: 12pt;\"><font size=\"2\" face=\"Tahoma\"><hr size=\"1\"><b><span style=\"font-weight: bold;\">one:</span></b> second text<br><b><span style=\"font-weight: bold;\">two:</span></b> third text<br><b><span style=\"font-weight: bold;\">three:</span></b> fourth text<br><b><span style=\"font-weight: bold;\">five:</span></b> fifth text<br></font><br>";
Document document = Jsoup.parse(html);
String firstText = document.select(":containsOwn(text)").first().ownText();
System.out.println(firstText);

String html=“第一个文本

第一个：第二个文本
第二个：第三个文本
第三个：第四个文本
第五个：第五个文本

”；
documentdocument=Jsoup.parse（html）；
字符串firstText=document.select（“：containsOwn（text）”）.first（）.ownText（）；
System.out.println（firstText）；

结果:

第一个文本

另见：

但是，HTML可能不是正确格式的XML，这可能会导致解析问题。谢谢。必须看到HTML，但认为XML。正如您正确指出的，XML解析只适用于XHTML变体。我已经更新了它，提到了TagSoup，一个SAX风格的HTML解析器。嗨，BalusC，非常感谢上面的例子，我会尝试它，但它是否只在内容以开头时起作用，因为有时我正在处理的内容没有，有时文本不在正文中，它在一个div中，我不知道它的位置，我很难找到一个模式真的非常感谢你的帮助，对于快速反馈，我还有一个问题，如果我想得到第一个包含文本的div（整个div）来获得输出，比如：first text
@BalusC，我还想提一下我想要得到的文本不是静态的，所以我想得到第一个文本，它可能是任何东西，没有特定的模式。你可以使用

元素text（）

，

元素html（）

，

元素outerHtml（）

，看看有没有合适的。有没有办法获得第三个div的索引？