使用JAVA解析html（Jsoup）

我在使用jsoup（Java）解析html文档时遇到了一个问题。我正在分析的HTML具有以下格式：

.....
<hr>
  <a name="N1"> </a> Text 1<br>
<hr>
  <a name="N2"> </a> Text 2<br>
<hr>
  <a name="N3"> </a>Text 3<br>
<hr>
  <a name="N4"> </a>
  <DIV style="margin-left: 36px">
   <div></div>
   <img src=bullet.gif alt="Bullet point"> Text
  </DIV><br>
<hr>
 <a name="X5"> </a>
 <DIV style="margin-left: 36px">
  <div></div>
  <img src=bullet.gif alt="Bullet point"> Text
 </DIV><br>
<hr>
  ...

。。。。。

正文1


正文2


正文3


正文



正文



...

我想在两个“hr”标记之间隔离HTML文本。我正在尝试以下代码：

File input = new File("C:\\Users\\page.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
Elements body = doc.select("body");
Elements hrs = body.select("hr");
ArrayList<String> objects = new ArrayList<String>(); 
for (Element hr : hrs) { 
  String textAfterHr = hr.nextSibling().toString();
  objects.add(textAfterHr);   
}

File input=新文件（“C:\\Users\\page.html”）；
Document doc=Jsoup.parse（输入“UTF-8”http://example.com/");
元素主体=单据选择（“主体”）；
元素hrs=主体。选择（“hr”）；
ArrayList对象=新的ArrayList（）；
对于（元素hr:hrs）{
字符串textAfterHr=hr.nextSibling（）.toString（）；
对象。添加（textAfterHr）；
}

System.out.println（对象）

---

但是ArrayList没有包含我想要的内容，我不知道如何解决它。（我可以将“hr”标记转换为“hr”文本“/hr”标记吗？

这里，您可以通过读取每个hr标记的子项来获得结果。使用此选项可获得更好的解决方案

ArrayList<String> objects = new ArrayList<String>(); 
Elements hrs = body.select("hr");
for(int i=0;i<hrs.size();i++){
 Element hrElm=hrs.get(i);
 Elements childrens=hrElm.children();
  for(Element child: childrens){
   String text=child.text();
   objects.add(text); 
 }
}

ArrayList objects=new ArrayList（）；
元素hrs=主体。选择（“hr”）；
对于（int i=0；i
publicstaticvoidmain（String[]args）抛出ParseException，IOException{
字符串html=“……\n”+
“
\n”+
“文本1
\n”+
“
\n”+
“文本2
\n”+
“
\n”+
“文本3
\n”+
“
\n”+
“\n”+
“\n”+
“\n”+
“文本\n”+
“
\n”+
“
\n”+
“\n”+
“\n”+
“\n”+
“文本\n”+
“
\n”+
“
\n”+
"  ...";
//在每个hr标记处拆分html字符串并保留分隔符
字符串[]拆分=（html.split（（？=
）））；
//使用结束标记将其连接回字符串
html=String.join（“\n”，拆分）；
//使用JSoupXMLParser
Document doc=Jsoup.parse（html，“，Parser.xmlParser（））；
元素元素元素=文件选择（“hr”）；
用于（元素e：元素e）{
System.out.println（e.html（））；
System.out.println（“--------------------------”；
}
}
ArrayList包含什么？预期的输出是什么？您只对直接放在
之后的
或
之间的整个文本感兴趣吗？ArrayList包含两个标记之间的所有文本，@Pshemo我对这两个标记之间的整个文本感兴趣，我将解析它们以获得或DivsCan我们假设所有的
hr
s（至少是您感兴趣的那些）是否在同一嵌套级别？这样，我们可以尝试迭代
hr
的所有同级，并将它们合并，直到找到下一个
hr
。当我们这样做时，我们将迄今为止收集的文本放在列表中，然后再次开始收集。但由于我们将迭代同级，如果某些
hr
处于其他嵌套级别，这可能会失败。
public static void main(String[] args) throws ParseException, IOException {
    String html = ".....\n" +
                    "<hr>\n" +
                    "  <a name=\"N1\"> </a> Text 1<br>\n" +
                    "<hr>\n" +
                    "  <a name=\"N2\"> </a> Text 2<br>\n" +
                    "<hr>\n" +
                    "  <a name=\"N3\"> </a>Text 3<br>\n" +
                    "<hr>\n" +
                    "  <a name=\"N4\"> </a>\n" +
                    "  <DIV style=\"margin-left: 36px\">\n" +
                    "   <div></div>\n" +
                    "   <img src=bullet.gif alt=\"Bullet point\"> Text\n" +
                    "  </DIV><br>\n" +
                    "<hr>\n" +
                    " <a name=\"X5\"> </a>\n" +
                    " <DIV style=\"margin-left: 36px\">\n" +
                    "  <div></div>\n" +
                    "  <img src=bullet.gif alt=\"Bullet point\"> Text\n" +
                    " </DIV><br>\n" +
                    "<hr>\n" +
                    "  ...";
    //Split your html string at each hr tag and keep the delimiter
    String [] splited = (html.split("(?=<hr>)"));
    //join it back to a string using a closing hr tag
    html = String.join("</hr>\n",splited);
    //use the jsoup xmlParser
    Document doc = Jsoup.parse(html,"",Parser.xmlParser());
    Elements eles = doc.select("hr");
    for(Element e : eles){
        System.out.println(e.html());
        System.out.println("-----------------------");
    }
}