java - HTML 解析器获取链接文本

Question

我正在使用HTML Parser从网页获取链接。我需要存储 URL、链接文本和包含该链接的父页面的 URL。我已成功获取链接 URL 以及父 URL。

我仍然需要获取链接文本。

<a href="url">link text</a> 

不幸的是，我很难弄清楚，任何帮助将不胜感激。

public static List<LinkContainer> findUrls(String resource) {
    String[] tagNames = {"A", "AREA"};
    List<LinkContainer> urls = new ArrayList<LinkContainer>();
    Tag tag;
    String url;
    String sourceUrl;

    try {

        for (String tagName : tagNames) {

            Parser parser = new Parser(resource);
            NodeList nodes = parser.parse(new TagNameFilter(tagName));

            NodeIterator i = nodes.elements();

            while (i.hasMoreNodes()) {
                tag = (Tag) i.nextNode();
                url = tag.getAttribute("href");
                sourceUrl = tag.getPage().getUrl();

                if (RegexUtil.verifyUrl(url)) {
                    urls.add(new LinkContainer(url, null, sourceUrl));
                }
            }
        }

    } catch (ParserException pe) {
        pe.printStackTrace();
    }

    return urls;
}

Answer 1

您尝试过 ((LinkTag) 标签).getLinkText() 吗？就我个人而言，我更喜欢 html 解析器，它根据常用的标准(例如 xerces 或类似标准)生成 XML。这是您使用例如 http://nekohtml.sourceforge.net/ 得到的结果。