java - 使用 Java 6 和 Jsoup 1.7.3，如何解析同级文本不在元素内的 HTML？

Question

主要是，我的问题是如何解析 ...

<p>some text<br />
<br />
<strong>categorized: </strong>like this<br />
<br /></p>

...我最终对使用 Java 和 Jsoup 获取键值对(如“分类”、“像这样”)感兴趣？我正在查看 标记作为某种分隔符，我可以使用它来指示键，然后它的后续文本不方便地没有包含在我需要作为值获取的标记中。

我认为对我来说挑战是“像这样”的部分不在元素中。它是一个兄弟节点，但它不能用 CSS 选择，所以我无法用 Jsoup 找到它。我不清楚节点和元素的关系在 Jsoup 中是如何工作的，以至于我可以在一次调用中同时获得元素文本“分类”及其兄弟“像这样”。

更详细地说，我无法控制 HTML 结构，因为我正试图从许多消费品安全委员会网页收集数据。这些页面以几种不同的方式格式化，但有一种格式特别导致我在使用 Java 和 Jsoup 解析数据时遇到问题。

<div class="archived">
  <p style="text-align: center;"><strong><span style="color: #ff0000;">Note: The hotline number and ...</span></strong></p>
  <h2 style="text-align: left;">CPSC, Elkay Manufacturing Co. Announces ...</h2>
  <p>WASHINGTON, D.C. - The U.S. Consumer Product Safety Commission ...<br />
    <br />
    <strong>Name of product:</strong> Elkay hot/cold bottled water coolers <br />
    <br />
    <br />
    <strong>Units:</strong> 145,000<br />
    <br />
    <strong>Description:</strong> These 115 volt hot/cold bottled water coolers ... <br />
  <p><img title="Picture of Recalled Water Cooler" src="/PageFiles/73998/04175.jpg" alt="Picture of Recalled Water Cooler" width="110" height="434" /></p>
</div>

HTML 的特定部分已缩短，但它源自 http://www.cpsc.gov/en/Recalls/2004/CPSC-NETGEAR-Inc-Announce-Recall-of-Wall-Plug-Ethernet-Bridges-/

String url = "http://www.cpsc.gov/en/Recalls/2004/CPSC-NETGEAR-Inc-Announce-Recall-of-Wall-Plug-Ethernet-Bridges-/";
Document doc = Jsoup.connect(url).get();
Elements archived = doc.select("div.archived > *");
for(Element ele : archived) {
    //what goes here to get those key/value pairs?
}

Answer 1

这不是一个完整的答案，但它会让你达到 95%。

String url="http://www.cpsc.gov/en/Recalls/2004/CPSC-NETGEAR-Inc-Announce-Recall-of-Wall-Plug-Ethernet-Bridges-/";

Document doc = Jsoup.connect(url).get();

Elements archived = doc.select("div.archived strong");

for (Element element: archived){
    System.out.println("KEY: " + element.text());
    System.out.println("VALUE: " + element.nextSibling());
}

输出:

KEY: Firm's Hotline: (800) 303-5507
VALUE: <br />

KEY: Name of product:
VALUE:  Wall Plug Ethernet Bridge

KEY: Units:
VALUE:  About 53,500 units

KEY: Manufacturer:
VALUE:  NETGEAR Inc., of Santa Clara, Calif.

KEY: Hazard:
VALUE:  The plastic housing on these units can detach, posing a shock hazard. 

and so on...

如您所见，需要做一些工作才能忽略不必要的东西，例如第一个元素 KEY/VALUE 对等等，但除此之外它应该可以工作!祝你好运。