java - 使用 Jsoup 解析嵌套 HTML 无序列表

Question

我正在解析一个带有嵌套无序列表的 HTML 文件，下面是一个示例:

<ul>
    <li class="category_x">xyz abc
        <ul>
            <li>foo 123 bar</li>
            <li>456 bar foo</li>
        </ul>
    </li>
    <li class="category_x">aaa bbb ccc
        <ul>
            <li>xxx yyy zzz</li>
            <li>123 abc 456</li>
        </ul>
    </li>
</ul>

我对关系 li > ul > li 感兴趣(将其视为 Element 类型的 Jsoup 对象: grandParentNode > parentNode > eNode )，但是使用 grandParentNode.text() 方法，我还得到整个嵌套 <ul> 列表中的文本(包括 eNode.text() )。

    // getting the triplets
    Elements triplets = doc.select("li > ul > li");

    // print the triplet
    for (Element eNode : triplets)
    {
        Element parentNode = eNode.parent();
        Element grandParentNode = parentNode.parent();

        System.out.println("Current node: " + eNode.text());
        System.out.println("Grand parent: " + grandParentNode.text());
    }

输出为:

Current node: foo 123 bar
Grand parent: xyz abc foo 123 bar 456 bar foo
Current node: 456 bar foo
Grand parent: xyz abc foo 123 bar 456 bar foo
Current node: xxx yyy zzz
Grand parent: aaa bbb ccc xxx yyy zzz 123 abc 456
Current node: 123 abc 456
Grand parent: aaa bbb ccc xxx yyy zzz 123 abc 456

我希望它是:

Current node: foo 123 bar
Grand parent: xyz abc
Current node: 456 bar foo
Grand parent: xyz abc
Current node: xxx yyy zzz
Grand parent: aaa bbb ccc
Current node: 123 abc 456
Grand parent: aaa bbb ccc

查看 Jsoup 文档，我似乎需要修改 HTML 才能将这些字符串包含在 value="" 属性之类的内容中，但我无法修改 HTML...最重要的是，所有这些 <li class="category_x"> 在每个不是树的“li 叶子”的节点上都以相同的值重复，因此它们对于过滤数据并没有真正的帮助。

我已经尝试过像 doc.select("li:lt(1) > ul > li"); 这样的东西，但它不起作用，问题是 HTML 的结构以及我如何使用 Jsoup 的 text() 类中的方法 Element 。问题是我不知道如何避免 text() 。

有什么想法吗？

谢谢

Answer 1

使用 ownText() 方法仅选择元素直接拥有的文本，忽略任何子元素的文本。

所以改变这一行:

System.out.println("Grand parent: " + grandParentNode.text());

至

System.out.println("Grand parent: " + grandParentNode.ownText());

输出现在将显示:

Current node: foo 123 bar
Grand parent: xyz abc
Current node: 456 bar foo
Grand parent: xyz abc
Current node: xxx yyy zzz
Grand parent: aaa bbb ccc
Current node: 123 abc 456
Grand parent: aaa bbb ccc