java - Jsoup tagName() 给出错误的标签

Question

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:

1. 从主要 HTML 源代码中，有许多标记为 a 的元素。但我正在检查的 HTML 小片段中没有一个
2. 出现 <a>被捕获为 <h2>
3. 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 .

Answer 1

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。