Android，正确使用 HTMLCleaner

Question

我知道我们基本上应该尝试在这里做我们自己的事情，这里不是提出请求的地方，但我真的很讨厌不得不从 Html 中读取内容，我真的不明白这是怎么回事。

所以，我将奖励 150 点的赏金(并不是说我便宜，我只是不能做更多 :( ) 如果我能得到一些好的帮助，或者至少被指向正确的方向一些示例代码。

我想要完成什么？

• 我正在尝试从以下位置获取最新消息 Nasa page .
• 我打算在 ListView 上显示这个新闻，当然，ListView 开始显示的内容很少，只有通过上面页面可用的数据，这里是快速 mock-up .

就是这样，当用户单击链接时，他们将被带到显示完整 article 的不同 fragment 。 ，一旦我完成了这件事，我会在稍后弄清楚如何得到它。

因此，我尝试将 HtmlCleaner 与以下位一起使用:

private class CleanUrlTask extends AsyncTask<Void, Void, Void> {

    @Override
    protected Void doInBackground(Void... params) {
        try {
            //try cleaning the nasa page. 
            mNode = mCleaner.clean(mUrl);
        } catch (Exception e) {
            Constants.logMessage("Error cleaning file" + e.toString());
        }
        return null;
    }

    @Override
    protected void onPostExecute(Void result) {         
        try {
            //For now I am just writing to an xml file to sort of read through
            //God is HTML code ugly. 
            new PrettyXmlSerializer(mProps).writeToFile(
                    mNode, FILE_NAME, "utf-8"
                );
        } catch (Exception e) {
            Constants.logMessage("Error writing to file: " + e.toString());
        }
    }       
}

但是从那里开始，我几乎迷路了。这是 XML output顺便提一句。然而，我确实注意到某些 tag hierarchy 上有某种重复。对于每篇文章内容，它似乎是这样的:左边是图片和文章链接，右边是文章标题和预览内容

因此，如果有人愿意帮助我弄清楚如何以某种方式获取内容，我将不胜感激。

请注意，作为 2013 年 NASA 国际太空应用挑战赛的一部分，该项目用于教育目的，更多信息 here .

作为奖励问题，同一个链接包含当前、 future 和过去探险的信息，包括当前成员，对于探险的每个成员，都有一个指向他们的生物页面的链接。

这些标签似乎不是重复的，但名称似乎是预设的和不变的，你有“tab1”、“tab2”和“tab3”等等。

我想从中得到的是:

• 远征编号和日期。
• 远征队成员
• 每个成员(member)简历的链接。

再次感谢大家的支持，非常感谢。

Answer 1

所以显然我需要做的就是弄清楚如何使用 XPATH为了从 XML 输出中获取数据。

所以基本上，XPATH 的想法是您可以使用 XML 获取任何节点，在我的例子中，如您在上图中所见，我想获取非常具体的信息。

这是文章链接的 XPATH:

public static final String XPATH_ARTICLE_LINKS = 
"//div[@class='landing-slide']/div[@class='landing-slide-inner']/div[@class='fpss-img_holder_div_landing']/div[@id='fpss-img-div_466']/a/@href";

//div[@class='landing-slide'] 意味着我正在寻找类名为 landing-slide< 的任何 div/strong> 不管('//'声明)它们在文档中的位置。从那里开始，我只是进一步进入项目的层次结构，最终获得 href 属性的值(属性通过 '@' 字符指向)。

现在我们有了 XPATH，我们只需要将这个值传递给 HTML 清理器。我通过 AsyncTask 执行此操作，请记住这不是最终代码，但它肯定会获取我想要的信息。

首先，使用的 XPATH:

private class News {
    static final String XPATH_ARTICLE_LINKS = 
            "//div[@class='landing-slide']/div[@class='landing-slide-inner']/div[@class='fpss-img_holder_div_landing']/div[@id='fpss-img-div_466']/a/@href";
    static final String XPATH_ARTICLE_IMAGES = 
            "//div[@class='landing-slide']/div[@class='landing-slide-inner']/div[@class='fpss-img_holder_div_landing']/div[@id='fpss-img-div_466']/a/img/@src";
    static final String XPATH_ARTICLE_HEADERS = 
            "//div[@class='landing-slide']/div[@class='landing-slide-inner']/div[@class='landing-fpss-introtext']/div[@class='landing-slidetext']/h1/a";
    static final String XPATH_ARTICLE_DESCRIPTIONS = 
            "//div[@class='landing-slide']/div[@class='landing-slide-inner']/div[@class='landing-fpss-introtext']/div[@class='landing-slidetext']/p";                       
}

现在是 AsyncTask:

private class CleanUrlTask extends AsyncTask<Void, Void, Void> {

    @Override
    protected Void doInBackground(Void... params) {
        try {
            //try cleaning the nasa page. (Root Node) 
            mNode = mCleaner.clean(mUrl);

            //Get all of the article links
            Object[] mArticles = mNode.evaluateXPath(News.XPATH_ARTICLE_LINKS);
            //Get all of the image links
            Object[] mImages = mNode.evaluateXPath(News.XPATH_ARTICLE_IMAGES);
            //Get all of the Article Titles
            Object[] mTitles = mNode.evaluateXPath(News.XPATH_ARTICLE_HEADERS);
            //Get all of the Article Descriptions
            Object[] mDescriptions = mNode.evaluateXPath(News.XPATH_ARTICLE_DESCRIPTIONS);

            Constants.logMessage("Found : " + mArticles.length + " articles");
            //Value containers
            String link, image, title, description;

            for (int i = 0; i < mArticles.length; i++) {
                //The Nasa Page returns link that are often not fully qualified URL, so I need to append the prefix if needed. 
                link = mArticles[i].toString().startsWith(FULL_HTML_PREFIX)? mArticles[i].toString() : NASA_PREFIX + mArticles[i].toString();
                image = mImages[i].toString().startsWith(FULL_HTML_PREFIX)? mImages[i].toString() : NASA_PREFIX + mImages[i].toString();
                //On the previous two items we were getting the attribute value
                //Here, we actually need the text inside the actual element, and so we want to cast the object to a TagNode
                //The TagNode allows to extract the Text for the supplied element. 
                title = ((TagNode)mTitles[i]).getText().toString();
                description = ((TagNode)mDescriptions[i]).getText().toString();
                //Only log the values for now. 
                Constants.logMessage("Link to article is " + link);
                Constants.logMessage("Image from article is " + image);
                Constants.logMessage("Title of article is " + title);
                Constants.logMessage("Description of article is " + description);

            }
        } catch (Exception e) {
            Constants.logMessage("Error cleaning file" + e.toString());
        }
        return null;
    }

如果有人像我一样迷路，我希望这可以为您的道路提供一些启示。