java - 我如何获取 html 代码内容中包含单词的标签和类名

Question

给定

<tagname class="classname">content contain "Posted by"word </tagname>

我的方法是这样的:

1. 从网络获取所有内容。

2. 在内容中查找“发布者”字样。

3. 获取包含此内容的标签和类名。

我需要查找各个网站中的所有发布日期，例如 http://www.testthisblog.com/

该网站的HTML代码中有一些内容包含“Posted by”字样。

<span class="chronodata">
     Posted by
     Eric Jacobson
     at
     <a class="timestamp-link"  href="http://www.testthisblog.com/2014/05/documenting-tests-part-2-tester-leaves.html"  title="permanent link">Tuesday, May 27, 2014</a>
</span>

所以我尝试使用此 Java 代码在内容中搜索“发布者”一词

String url = "http://www.testthisblog.com";

/*step1*/ 
Document doc = Jsoup.connect(url).get();
String htmlTxt = doc.text().toLowerCase();
Pattern pattern = Pattern.compile(".*Posted by.*");
/*step2*/ 
Matcher matcher = pattern.matcher(htmlTxt);
if(matcher.find()){
  System.out.println("Find a word!!!");

 /*step3*/    >>What is possible? can I get tag and class name here?<<
}

我使用Jsoup库，这个方法对于其他网站应该是灵活的。

Answer 1

这是可能的；一种方法是在每个元素文本上应用正则表达式，以防它匹配 get 标签和类

    String url = "http://www.testthisblog.com";

    Pattern pattern = Pattern.compile(".*Posted by*");

    Document doc = Jsoup.connect(url).get();
    Elements els = doc.getAllElements();
    for (int i = 0; i < els.size(); i++) {
        Element element = els.get(i);
        String txt = element.ownText();
        Matcher matcher = pattern.matcher(txt);
        if (matcher.find()) {
            System.out.println(txt);
            System.out.println(element.tagName());
            System.out.println(element.className());
        }
    }