java - 如何检查html文档是否包含字符串

Question

检查 URL 是否包含给定字符串的快速方法是什么？我尝试了 jsoup 和模式匹配，但有没有更快的方法。

import java.util.regex.Matcher;
import java.util.regex.Pattern;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;

public class JsoupTest {

    public static void main(String[] args) throws Exception {

        String url = "https://en.wikipedia.org/wiki/Hawaii";
        Document doc = Jsoup.connect(url).get();
        String html = doc.html();

        Pattern pattern = Pattern.compile("<h2>Contents</h2>");
        Matcher matcher = pattern.matcher(html);
        if (matcher.find()) {
            System.out.println("Found it");
        }
    }
}

Answer 1

这要看情况。如果您的模式实际上只是在页面内容中准确找到的简单子(monad)字符串，那么您建议的两种方法都太过分了。如果确实如此，您应该获取该页面，而不用在 JSoup 中解析它。如果你想获取页面，你仍然可以使用 Jsoup，只是不要启动解析器:

Connection con = Jsoup.connect("https://en.wikipedia.org/wiki/Hawaii");
Response res = con.execute();   
String rawPageStr = res.body();

if (rawPageStr.contains("<h2>Contents</h2>")){
  //do whatever you need to do
}

如果模式确实是正则表达式，请使用:

Pattern pattern = Pattern.compile("<h2>\\s*Contents\\s*</h2>");
Matcher matcher = pattern.matcher(rawPageStr);

只有当您不需要解析页面的更多内容时，这才有意义。然而，如果您确实想通过 CSS 选择器执行 DOM 的结构化搜索，JSoup 并不是一个糟糕的选择，尽管像 TagSoup 这样基于 SAX 的方法可能会更快一些。

Document doc = Jsoup.connect("https://en.wikipedia.org/wiki/Hawaii").get();
Elements h2s = doc.select("h2");
for (Element h2 : h2s){
  if (h2.text().equals("Contents")){
    //do whatever & more
  }
}