- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有以下 HTML 片段:
<p>
<a href="http://www.today.com/video/jill-martin-rescues-savannah-guthrie-from-her-guest-room-mess-604921923959" rel="nofollow"> Jill Martin rescues Savannah Guthrie from her guest room mess </a>
<a href="http://www.today.com/video/4-simple-ways-to-clear-your-clutter-this-year-596741699678" rel="nofollow"> 4 simple ways to clear your clutter this year </a>
<a href="http://www.today.com/video/staying-home-on-new-years-eve-great-ideas-to-celebrate-at-home-594027587814" rel="nofollow"> Staying home on New Year's Eve? Great ideas to celebrate at home </a>
<a href="http://www.today.com/video/heres-how-to-set-a-functional-christmas-table-591622211749" rel="nofollow"> Here's how to set a functional Christmas table </a>
</p>
本文来自网页http://www.today.com/home/decorating-ideas-david-bromstad-shares-tips-living-luxury-less-t70861
还有一段代码:
Document document = Jsoup.connect("http://www.today.com/home/decorating-ideas-david-bromstad-shares-tips-living-luxury-less-t70861").get();
String tag = null;
for (Element element : document.select("*") ) {
tag = element.tagName();
if ( "a".equalsIgnoreCase( tag ) ) {
LOGGER.info("element : {}; nextElementSibling: {}", element.ownText(), element.nextElementSibling() );
}
if ( StringUtils.containsIgnoreCase(element.ownText(), "Jill Martin rescues Savannah") ) {
LOGGER.info("element : {}; nextElementSibling: {}", element.ownText(), element.nextElementSibling() );
LOGGER.info("tag : {}; nextNodeSibling: {}", tag, element.nextSibling() );
LOGGER.info("element : {}; previousElementSibling: {}", element.ownText(), element.previousElementSibling() );
}
}
我得到的输出:
element : Jill Martin rescues Savannah Guthrie from her guest room mess; nextElementSibling: null
tag : h2; nextNodeSibling:
element : Jill Martin rescues Savannah Guthrie from her guest room mess; previousElementSibling: null
存在一些问题:
a
的元素。但我正在检查的 HTML 小片段中没有一个<a>
被捕获为 <h2>
element.nextElementSibling()
大多数情况下为空但是,如果仅针对小块进行测试,问题就会消失。因此,当标 checkout 现在较大的 HTML 源代码中时,Jsoup 似乎无法正确识别标签。
知道为什么吗?
谢谢。
编辑2
该练习的目的是清理网页。这就是为什么我迭代了整个 HTML,而不是像 @Stephan 所建议的那样迭代特定部分。我只选择了一个有问题的特定部分。
但是在检查了 @luksch 的回复后,我重新查看了原始 HTML,发现了拍摄中的异常之处。该代码总体上查看所有标签,但对 a
给出异常(exception)。 。在主要来源中,我们有 article
接下来是 a
, figure
(其中包含 i
、 img
、 img
、 small
、 small
)、 h2
。该问题似乎所有标签(除 a
)都被删除(按要求工作),但它们的 text
被抛在后面。这就是为什么我最终留下 <a href="http://www.today.com/video/jill-martin-rescues-savannah-guthrie-from-her-guest-room-mess-604921923959" rel="nofollow"> Jill Martin rescues Savannah Guthrie from her guest room mess </a>
这不在原始 HTML 源代码中。
吉尔·马丁 (Jill Martin) 将萨凡娜·格思里 (Savannah Guthrie) 从困惑的客房中救了出来 文本来自 <h2>
但是<h2>
被删除并留下其文本。有趣的是,Jsoup 仍然将文本识别为来自 h2
,尽管最终输出没有 h2
.
最佳答案
您提供的 URL 包含此元素:
<a class="player-tease-link" href="http://www.today.com/video/jill-martin-rescues-savannah-guthrie-from-her-guest-room-mess-604921923959">
<figure class="player-tease">
<i class="player-tease-icon icon-video-play"></i>
<img class="tease-icon-play" src="http://nodeassets.today.com/img/svg/641a740d.video-play-white.svg" alt="Play">
<img class="tease-image" src="http://media1.s-nbcnews.com/j/MSNBC/Components/Video/__NEW/tdy_guth_clutter_160120.today-vid-post-small-desktop.jpg" title="Jill Martin rescues Savannah Guthrie from her guest room mess" alt="Jill Martin rescues Savannah Guthrie from her guest room mess">
<small class="tease-sponsored">Sponsored Content</small>
<small class="tease-playing">Now Playing</small>
</figure>
<h2 class="player-tease-headline">Jill Martin rescues Savannah Guthrie from her guest room mess</h2>
</a>
看来您确实将苹果与橙子进行了比较,这意味着您提供的 html 片段不是原始 HTML 的一部分。我猜你使用了一些已经更改了 HTML 的提取工具。请注意,a
元素不包含任何自己的文本!
一个好主意是遵循@Stephan的建议并学习如何使用CSS selectors properly 。这应该比选择全部然后在程序代码中手动过滤要高效得多。以下是您可以执行的操作的示例:
Elements interestingAs = document.select("a:matches(^Jill Martin)");
这将选择包含以“Jill Martin”开头的文本的所有 a
元素。
关于java - Jsoup tagName() 给出错误的标签,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35217222/
我有一些像这样的 html: zip code 我的 Java 代码 Elements formElements = doc.getElementsByTag("form"); for(Ele
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
我想添加一个新的元标记 Document doc = Jsoup.parse(.....) doc.select("meta").first.appendElement("meta".attr("na
有没有办法用 Jsoup 保留新行,(不是 )? Document pdsc = Jsoup.connect("http://drafts.bestsiteeditor.com/promoters/d
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
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
我有代码,有点像这样 String str = " >foo< "; Document doc = Jsoup.parse(str, "", Parser.xmlParser()); 但
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
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
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
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
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
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
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
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
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
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
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
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
我收到此错误: java.lang.RuntimeException: An error occured while executing doInBackground() at and
我是一名优秀的程序员,十分优秀!