java - 使用 jsoup 提取 `th` header 显示特定值的表

转载作者：行者123 更新时间：2023-11-30 03:49:52

25

4

当处理一堆困惑的嵌套表时，我们如何使用 jsoup 提取特定的一个表？

以下面的 HTML 为例，一堆表格。向下扫描后半部分，找到两个关键表，每个表都有第 th 单元格，显示 DOG 或 CAT。

有时我想要狗 table ，有时我想要猫 table 。可能有十几个(“鸟”、“老鼠”、“仓鼠”等)。猫 table 可能比狗 table 嵌套得更深。所以我不能使用任何关于“第一个”或“最后一个”的技巧。我必须查看第 th 单元格的值，然后获取直接包含的表。

以下jsoup代码给我两个元素:

 Elements elements = document.select( "table:has(tbody > tr > th  > b:containsOwn(CAT))" );

通过这一行，我得到两个元素而不是一个:

我想要的 table 。
包含我想要的表的外表。

此时，我的解决方法是检查长度，然后选择较短的长度。但一定有更好的方法。

HTML:

<!DOCTYPE html>
<html lang="en">
    <head>
        <meta charset="utf-8" />
        <title>title</title>
    </head>
    <body>
        <!-- page content -->
        <table>  <!--Outer table. Do not want this.-->
            <tbody>
                <tr>
                    <td>

                        <table>
                            <tbody>
                                <tr>
                                    <th><b>DOG</b></th> <!-- DOG in header -->
                                </tr>
                                <tr>
                                    <td>X</td>
                                    <td>7</td>
                                </tr>
                            </tbody>
                        </table>

                    </td>
                    <td>

                        <table> <!-- I want this table because it contains a header ("th") displaying the value "CAT". -->
                            <tbody>
                                <tr>
                                    <th><b>CAT</b></th>  <!-- CAT in header -->
                                </tr>
                                <tr>
                                    <td>A</td>
                                    <td>1</td>
                                </tr>
                            </tbody>
                        </table>

                    </td>
                </tr>
            </tbody>
        </table>
    </body>
</html>

<小时/>

我还尝试了以下带有 jsoup 版本 1.7.3 的 Java 应用程序。

package com.example.jsoupexperiment;

import java.io.InputStream;
import java.util.Scanner;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

/**
 * PURPOSE To test parsing of nested tables using the "jsoup" library, as 
 * discussed on this StackOverflow.com question:
 * http://stackoverflow.com/q/24719049/642706
 * Titled: Extract a table whose `th` header displays a certain value, using jsoup
 */
public class ParseNestedTables
{
    public static void main( String[] args )
    {
        System.out.println( "Running main method of ParseNestedTables class." );
        InputStream stream = ParseNestedTables.class.getResourceAsStream( "/bogus.html" );
        Scanner scan = new Scanner( stream );
        StringBuilder sb = new StringBuilder();
        while ( scan.hasNextLine() ) {
            sb.append( scan.nextLine() + "\n" );
        }
        // System.out.println(sb.toString());
        Document document = Jsoup.parse( sb.toString() );
        Elements elements = document.select( "table:eq(0):has(th:contains(CAT))" );
        int countElements = elements.size(); // Hoping for 1, but getting 2.
        System.out.println( "Found " + countElements + " elements. Dumping… \n\n" );

        for ( Element element : elements ) {
            System.out.println( "Element…\n" + element.toString() + "\n\n" );
        }

    }
}

但它返回两个元素而不是一个:

包含所需表的外表。
所需的表格。

另一个问题是，虽然我不太明白eq selector的行为，如果它只是在层次结构中同一点上彼此相邻的兄弟元素中进行选择，那么即使它在此示例中有效，也不是正确的答案。在我的问题的实际应用程序中，这些表可以任意嵌套在任意数量的其他表中。其他表与页面布局相关，与我所需的表没有直接逻辑连接。

最佳答案

解决方法:查找目标值，向上提升层次结构

另一种解决方法。这不是一个真正的答案，因为它没有改进 jsoup 选择器。

我们通过第 th 标题单元格的值知道我们想要哪个表。因此找到该元素，然后向后工作。沿着元素层次结构(DOM 树)向上，经过 tr 和 tbody，直到到达 table。我们知道这是拥有第目标的直接表。我们避免使用外部嵌套表。

关键代码包括查找第个单元格:

Elements elements = document.select( "th > b:containsOwn(CAT)" );

...并循环查找每个父级:

Element element = elements.first();
while (  ! ( ( element == null ) || ( element.tagName().equalsIgnoreCase( "table" ) ) ) ) {
    element = element.parent();
}

完整的示例应用程序:

package com.example.jsoupexperiment;

import java.io.InputStream;
import java.util.Scanner;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class ParseNestedTables
{
    public static void main ( String[] args )
    {
        System.out.println( "Running main method of ParseNestedTables class." );
        InputStream stream = ParseNestedTables.class.getResourceAsStream( "/bogus.html" );
        Scanner scan = new Scanner( stream );
        StringBuilder sb = new StringBuilder();
        while ( scan.hasNextLine() ) {
            sb.append( scan.nextLine() + "\n" );
        }

        Document document = Jsoup.parse( sb.toString() );
        Elements elements = document.select( "th > b:containsOwn(CAT)" ); // Start by finding the desired table's target "th" element.
        int countElements = elements.size();
        switch ( countElements ) {
            case 0:
                System.out.println( "ERROR: Found no elements." );
                break;
            case 1:
                System.out.println( "GOOD: Found 1 element." );
                Element element = elements.first();

                // Loop up the hierarchy of elements (the DOM tree) until we find our desired "table" element or until we get a null.
                while (  ! ( ( element == null ) || ( element.tagName().equalsIgnoreCase( "table" ) ) ) ) {
                    element = element.parent();
                }

                System.out.println( "Found Element:\n" + element.toString() );
                break;
            default:
                System.out.println( "ERROR: Found multiple elements: " + countElements );
                break;
        }
    }
}

关于java - 使用 jsoup 提取 `th` header 显示特定值的表，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/24719049/

25

4

0

文章推荐： java - 在缓冲图像中查找具有容差的颜色

文章推荐： c++ - 如何选择图像旋转轴，Magick++？

文章推荐： android - 删除 EditText 和 TextView 之间的空白

文章推荐： android - 捕获从 Android 模拟器到本地主机的流量？

jsoup - 如何使用 jsoup 从我当前的元素实例中使用 jsoup 获取上一个元素
我有一些像这样的 html: zip code 我的 Java 代码 Elements formElements = doc.getElementsByTag("form"); for(Ele
jsoup - 如何使用 jsoup 创建 session 以及如何使用 jsoup 发布数据
我无法使用创建 session jsoup 以及如何使用 jsoup 发布数据.请帮助我，我是新来的 jsoup api ，实际上我的代码是: Connection.Response res = J
jsoup - 使用 jsoup 添加元标记
我想添加一个新的元标记 Document doc = Jsoup.parse(.....) doc.select("meta").first.appendElement("meta".attr("na
jsoup - 如何使用 Jsoup 保留新行？
有没有办法用 Jsoup 保留新行，(不是 )？ Document pdsc = Jsoup.connect("http://drafts.bestsiteeditor.com/promoters/d
jsoup - 获取 jsoup 中元素的字符偏移量
我需要将 jsoup 元素映射回源 HTML 中的特定字符偏移量。换句话说，如果我有这样的 HTML: Hello World 我需要知道“Hello”从偏移量 0 开始，长度为 6 个字符，从偏移
jsoup - 重用 Jsoup 连接
我喜欢用 Jsoup 解析 html，但是他们的连接有问题，我需要将请求发送到同一个网站但不同的查询参数，比如“id=XXX”，请求是这样的: http://website/?id=XXX 我不想为每
jsoup - 防止 JSOUP 取消编码属性值
我有代码，有点像这样 String str = " >foo< "; Document doc = Jsoup.parse(str, "", Parser.xmlParser()); 但
jsoup - 使用 jsoup 进行验证
是否可以使用 jsoup 来验证 HTML 片段？我想知道标记是否格式错误，而不是让 jsoup 自动修复它，我希望能够通知用户自己修复源标记。最佳答案 Jsoup 不是检查 xml 或 html
java - Jsoup.parse() 与 Jsoup.parse() - 或者 URL 检测在 Jsoup 中是如何工作的？
Jsoup 有 2 个 html parse() 方法: > parse(String html) - "由于没有指定基本 URI，绝对 URL检测依赖于包含标记的 HTML。” > parse(St
jsoup - 使用 JSoup 提取图像 src
我正在尝试使用 jsoup 从此网页中提取所有图片网址？任何人都可以提供有关如何做到这一点的帮助吗？所有标签的格式都是这样的，但我只需要 src 图像，而不是 ajaxsrc: 链接在这里: htt
jsoup - JSOUP select() 方法的 OR 运算符
我试图找到所有或一页/文档中的标签。我如何使用 OR运算符(operator)在 doc.select("div.name1 OR div.name2") ? 最佳答案 select metho
android - : Lorg/jsoup/Jsoup; 解析失败
我为我的项目创建了一个新模块来添加一些额外的功能。在该模块中，我在模块的 Gradle 文件 implementation 'org.jsoup:jsoup:1.10.2' 中添加了 Jsoup 依赖
java - jsoup - 如何使用 Jsoup 提取此图像？
我正在寻找这个 div 中的主图像我试过这个: Document document = Jsoup.connect(url).get(); Elements img = document.se
java - JSoup 元素和 JSoup 节点之间的区别
谁能解释一下 JSoup 中提供的 Element 对象和 Node 对象之间的区别？在什么情况/条件下使用什么最好。最佳答案节点是 DOM 层次结构中任何类型对象的通用名称。元素是一种特定类
jsoup - 防止 Jsoup 的 HTML 解析器将单个标签转换为自闭合标签
有什么方法可以防止 Jsoup 的 HTML 解析器将单个标签(最具体的是标签)转换为自闭合标签？标签是有效的 HTML5 元素，但 Jsoup 一直将它们转换为 . 我在下面的链接中有一个示
jsoup - 下载 html 时将 jsoup 屏蔽为浏览器
可以屏蔽吗 Jsoup.connect("http://xyz.com").get().html(); 作为对网站的浏览器调用？我尝试构建一个壁纸下载工具，但在从服务器下载页面时遇到问题。如果我下
jsoup - Groovy 中的爬虫(JSoup VS Crawler4j)
我希望在 Groovy 中开发一个网络爬虫(使用 Grails 框架和 MongoDB 数据库)，它能够爬取网站，创建网站 URL 列表及其资源类型、内容、响应时间和所涉及的重定向数量。我正在讨论
jsoup - 如何在 JSoup 中选择 "this element"的直接子级
如果我有一个看起来像这样的元素: bar text 1 bar text 2 我已经有了元素被选中，我想选择元素是的直接子元素但不是
jsoup - 用 Jsoup 解析一个巨大的 HTML 流
任何人都可以提供有关我将如何解析超大 HTML 流/文件的指针或建议。例如，我有一个大约有 270,000 行的表，我想一次将它带入我的应用程序大约 20,000 行。 jsoup 解析方法允许使用
java.lang.NoClassDefFoundError : org. jsoup.Jsoup
我收到此错误: java.lang.RuntimeException: An error occured while executing doInBackground() at and

首页

博学

6Ren·AI

商城

java - 使用 jsoup 提取 `th` header 显示特定值的表

解决方法:查找目标值，向上提升层次结构

完整的示例应用程序: