java - 如何用Jsoup只获取n层元素？

Question

我有一个巨大的多层内容表:

我需要编辑它并仅保留 Level1 和 Level2 的元素并删除其他所有内容，如下所示:

因此我使用 Jsoup:

File in = new File(INPUT_FILE_PATH);
Document origDoc = Jsoup.parse(in, null);
Elements toc = origDoc.getElementsByClass("toc");
Elements firstLevelChildElements = toc.select("ul");

然后我想到分析元素，如果该元素只有一个父元素 - 保留它，否则删除它。

但问题是 firstLevelChildElements 选择第一个 ul 及其所有子元素。当我尝试选择下一个子元素时，也会发生同样的情况。我不能只有所有元素的列表(或树)。

示例 HTML 代码是:

<ul class="toc">
    <li>
        <a href="#toc_20">Level 1</a>
        <ul>
            <li>
                <a href="#toc_21">Level 2</a>
                <ul>
                    <li>
                        <a href="#toc_22">Level 3</a>
                    </li>
                </ul>
            </li>
            <li>
                <a href="#toc_28">Level 2</a>
            </li>
            <li>
                <a href="#toc_29">Level 2</a>
            </li>
        </ul>
    </li>
    <li>
        <a href="#toc_20">Level 1</a>
        <ul>
            <li>
                <a href="#toc_21">Level 2</a>
                <ul>
                    <li>
                        <a href="#toc_22">Level 3</a>
                    </li>
                </ul>
            </li>
        </ul>
    </li>
</ul>

This answer很好，但不幸的是对我不起作用。

Answer 1

使用 Jsoup 你可以操作 dom。选择所有不需要的元素并清空它们的 html。您可以使用 css 选择器来执行此操作:

    Document doc = Jsoup.parse(html);
    for (Element e : doc.select("ul > li > ul > li > ul")) {
        e.html("");
    }

或更一般地选择具有 toc 类的 ul 元素的所有四阶子元素:

    Document doc = Jsoup.parse(html);
    for (Element e : doc.select("ul.toc > * > * > * > * > *")) {
        e.html("");
    }

然后从修改后的文档中选择所需的元素。

有关 CSS 选择器的更多信息:

https://www.w3schools.com/cssref/css_selectors.asp

https://jsoup.org/cookbook/extracting-data/selector-syntax