Java 使用jsoup提取“th”标题显示特定值的表

当处理一堆杂乱无章的嵌套表时，我们如何使用

以下面的HTML为例，它是一堆表格。在下半部分向下扫描两个关键表，每个表都有一个

th

单元格，显示

DOG

或

CAT

有时我想要狗桌，有时想要猫桌。可能有十几只（鸟、老鼠、仓鼠等等）。cat表可能嵌套得比dog表更深。所以我不能使用任何有关“第一”或“最后”的技巧。我必须查看

th

单元格的值，然后获取立即包含表

以下代码为我提供了两个元素：

 Elements elements = document.select( "table:has(tbody > tr > th  > b:containsOwn(CAT))" );

通过这一行，我得到了两个元素，而不是一个：

• 我想要的那张桌子
• 包含我想要的表的外部表

在这一点上，我的解决方法是检查长度，然后选择较短的长度。但一定有更好的办法

HTML:

标题
狗
X
7.
猫
A.
1.

---

我还使用jsoup版本1.7.3尝试了以下Java应用程序

package com.example.jsupexperiment；
导入java.io.InputStream；
导入java.util.Scanner；
导入org.jsoup.jsoup；
导入org.jsoup.nodes.Document；
导入org.jsoup.nodes.Element；
导入org.jsoup.select.Elements；
/**
*目的使用“jsoup”库测试嵌套表的解析，如
*关于StackOverflow.com问题的讨论：
* http://stackoverflow.com/q/24719049/642706
*标题：使用jsoup提取“th”标题显示特定值的表
*/
公共类ParseNesteTables
{
公共静态void main（字符串[]args）
{
System.out.println（“运行ParseNesteTables类的主方法”）；
InputStream=ParseNesteTables.class.getResourceAsStream（“/bogus.html”）；
扫描仪扫描=新扫描仪（流）；
StringBuilder sb=新的StringBuilder（）；
while（scan.hasNextLine（））{
sb.append（scan.nextLine（）+“\n”）；
}
//System.out.println（sb.toString（））；
Document Document=Jsoup.parse（sb.toString（））；
Elements=document.select（“表：等式（0）：has（th:contains（CAT））”；
int countElements=elements.size（）；//希望为1，但得到2。
System.out.println（“找到”+countElements+“elements.Dumping…\n\n”）；
for（元素：元素）{
System.out.println（“元素…\n”+元素.toString（）+”\n\n”）；
}
}
}

但它返回两个元素而不是一个：

包含所需表格的外部表格

所需的表格

---

另一个问题是，虽然我不完全理解的行为，但如果它只是在层次结构中同一点上相邻的元素之间进行选择，那么即使在本例中有效，这也不是正确的答案。在我的问题的实际应用中，这些表可以任意嵌套在任意数量的其他表中。其他表与页面布局相关，与我想要的表没有直接的逻辑连接。

我不知道，因为它似乎对我很好：

import java.util.Scanner;    
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;

public class ThHeaderTest {
   public static void main(String[] args) {
      String resource = "thHeader.txt";
      Scanner scan = new Scanner(ThHeaderTest.class.getResourceAsStream(resource));
      StringBuilder sb = new StringBuilder();
      while (scan.hasNextLine()) {
         sb.append(scan.nextLine() + "\n");
      }
      // System.out.println(sb.toString());
      Document document = Jsoup.parse(sb.toString());
      Elements elements = document.select("table:eq(0):has(th:contains(CAT))");
      System.out.println(elements);
   }
}

解决方法：使用较短的元素 这不是一个正确的答案，因为它不会改进jsoup选择器。但这是一个实际的解决办法

由于问题是所需的表也将作为其外部嵌套父表返回，因此从逻辑上讲，我们知道所需表的HTML也将比外部表短

因此，解决方法是比较每一个发现的问题的长度。使用HTML长度最短的元素。

解决方法：查找目标值，向上移动层次结构 另一个解决办法。这不是一个正确的答案，因为它不会改进jsoup选择器

我们通过它的

th

头单元格的值知道需要哪个表。所以找到那个元素，然后倒转。沿着元素的层次结构（DOM树），经过

tr

和

tbody

，直到到达

表。我们知道这是拥有目标
th
的直接表。我们避免使用外部嵌套表

关键代码包括查找
th
单元格：

Elements elements = document.select( "th > b:containsOwn(CAT)" ); 

…并循环查找每个父级：

Element element = elements.first();
while (  ! ( ( element == null ) || ( element.tagName().equalsIgnoreCase( "table" ) ) ) ) {
    element = element.parent();
}

完整示例应用程序：
package com.example.jsupexperiment；
导入java.io.InputStream；
导入java.util.Scanner；
导入org.jsoup.jsoup；
导入org.jsoup.nodes.Document；
导入org.jsoup.nodes.Element；
导入org.jsoup.select.Elements；
公共类ParseNesteTables
{
公共静态void main（字符串[]args）
{
System.out.println（“运行ParseNesteTables类的主方法”）；
InputStream=ParseNesteTables.class.getResourceAsStream（“/bogus.html”）；
扫描仪扫描=新扫描仪（流）；
StringBuilder sb=新的StringBuilder（）；
while（scan.hasNextLine（））{
sb.append（scan.nextLine（）+“\n”）；
}
Document Document=Jsoup.parse（sb.toString（））；
Elements=document.sele
package com.example.jsoupexperiment;

import java.io.IOException;
import java.io.InputStream;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

/**
 * PURPOSE To test parsing of nested tables using the "jsoup" library, as
 * discussed on this StackOverflow.com question:
 * http://stackoverflow.com/q/24719049/642706 Titled: Extract a table whose `th`
 * header displays a certain value, using jsoup
 */
public class ParseNestedTables2 {
    public static void main(String[] args) throws IOException {
        System.out.println("Running main method of ParseNestedTables class.");
        InputStream stream = ParseNestedTables2.class
                .getResourceAsStream("/bogus.html");
        Document document = Jsoup.parse(stream, "UTF-8", "http://example.com");
        Elements elements = document.select("table table");
        for (Element element : elements) {
            if (element.select("th b:contains(CAT)").size() > 0) {
                System.out
                        .println("table that have th contain selected text (CAT)");
                System.out.println(element);
            }
        }
    }

}