Java 如何查找不在<;a>;使用HtmlCleaner标记?
我使用HTMLCleaner来挖掘数据。。。。 以下是它的工作原理:Java 如何查找不在<;a>;使用HtmlCleaner标记?,java,data-mining,htmlcleaner,Java,Data Mining,Htmlcleaner,我使用HTMLCleaner来挖掘数据。。。。 以下是它的工作原理: HtmlCleaner cleaner = new HtmlCleaner(); final String siteUrl = "http://www.apple.com/"; TagNode node = cleaner.clean(new URL(siteUrl)); TagNode[] aTagNode = node.getAllElements(true); for(int
HtmlCleaner cleaner = new HtmlCleaner();
final String siteUrl = "http://www.apple.com/";
TagNode node = cleaner.clean(new URL(siteUrl));
TagNode[] aTagNode = node.getAllElements(true);
for(int i = 0; i< aTagNode.length; i++){
if(!aTagNode[i].hasAttribute("a")){
System.out.println(aTagNode[i].getText());
}
}
HtmlCleaner cleaner=新的HtmlCleaner();
最终字符串siteUrl=”http://www.apple.com/";
TagNode节点=cleaner.clean(新URL(siteUrl));
TagNode[]aTagNode=node.getAllegements(true);
for(int i=0;i
但我发现有些问题。。。。
例如,获取文本:
<a href="/choose-your-country/">
<img src="http://images.apple.com/home/elements/worldwide_us.png" alt="United States of America" height="22" width="22" />
<span class="more">Choose your country or region</span>
</a>
“选择您的国家或地区”位于span标记内,但其父节点是“a”标记。。。。。我也不想要,我只想要这样的东西
<p class="left">Shop the <a href="/store/">Apple Online Store</a> (1-800-MY-APPLE), visit an <a href="/retail/">Apple Retail Store</a>, or find a <a href="/buy/">reseller</a>.</p>
购买(1-800-MY-APPLE)、访问或查找。
我希望结果是停止,(1-800-MY-APPLE),访问,或查找,以及
因为苹果在线商店
,苹果零售商店
和经销商
是a标签中的文本,所以我想忽略这些词。多谢各位 TagNode[]aTagNode=node.getAllegements(true);
TagNode[] aTagNode = node.getAllElements(true);
ArrayList<TagNode> tagNodes = new ArrayList<TagNode>();
Set<TagNode> toBeRemoved = new HashSet<TagNode>();
for(int i = 0; i< aTagNode.length; i++){
if(!aTagNode[i].hasAttribute("a")){
tagNodes.add(aTagNode[i]);
}else{
TagNode[] children = aTagNode[i].getChildTags().
for(TagNode child : children) {
toBeRemoved.add(child);
}
}
}
for(TagNode node : tagNodes){
if(!toBeRemoved.contains(node)){
System.out.println(node.getText());
}
}
ArrayList标记节点=新的ArrayList();
Set toBeRemoved=新HashSet();
for(int i=0;i