java - 使用 jsoup java 从 <!-- --> 注释中提取 HTML 到结束标记

Question

我有一些 HTML 看起来像

<!-- start content -->
<p>Blah...</p>
<dl><dd>blah</dd></dl>

我需要将评论中的 HTML 提取到结束的 dl 标记中。结束 dl 是评论之后的第一个(不确定之后是否还有更多，但之前从来没有)。两者之间的 HTML 在长度和内容上是可变的，并且没有任何好的标识符。

我看到评论本身可以使用#comment 节点来选择，但是我如何获得从评论开始并以 HTML 关闭标记结束的 HTML，正如我所描述的那样？

这是我想出的方法，它有效，但显然不是最有效的。

    String myDirectoryPath = "D:\\Path";
    File dir = new File(myDirectoryPath);
    Document myDoc;
    Pattern p = Pattern.compile("<!--\\s*start\\s*content\\s*-->([\\S\\s]*?)</\\s*dl\\s*>");
    for (File child : dir.listFiles()) {
        System.out.println(child.getAbsolutePath()); 
        File file = new File(child.getAbsolutePath());
        String charSet = "UTF-8";
        String innerHtml = Jsoup.parse(file,charSet).select("body").html();
        Matcher m = p.matcher(innerHtml);
        if (m.find()) {
            Document doc = Jsoup.parse(m.group(1)); 
            String myText = doc.text();
            try {
                PrintWriter out = new PrintWriter(new BufferedWriter(new FileWriter("D:\\Path\\combined.txt", true)));
                out.println(myText);
                out.close();
            } catch (IOException e) {
                //error                }
        }
    }

Answer 1

要使用正则表达式，可能很简单

 #  "<!--\\s*start\\s*content\\s*-->([\\S\\s]*?)</\\s*dl\\s*>"

 <!-- \s* start \s* content \s* -->
 ([\S\s]*?) 
 </ \s* dl \s* >