java - 如何获取节点周围的文本？

Question

我正在玩弄坚果。我正在尝试编写一些内容，其中还包括检测 DOM 结构中的特定节点并从节点周围提取文本数据。例如来自父节点、兄弟节点等的文本。我研究并阅读了一些示例，然后尝试编写一个插件来为图像节点执行此操作。部分代码，

    if("img".equalsIgnoreCase(nodeName) && nodeType == Node.ELEMENT_NODE){
            String imageUrl = "No Url"; 
            String altText = "No Text";
            String imageName = "No Image Name"; //For the sake of simpler code, default values set to
                                                //avoid nullpointerException in findMatches method

            NamedNodeMap attributes = currentNode.getAttributes();
            List<String>ParentNodesText = new ArrayList<String>();
            ParentNodesText = getSurroundingText(currentNode);

            //Analyze the attributes values inside the img node. <img src="xxx" alt="myPic"> 
            for(int i = 0; i < attributes.getLength(); i++){
                Attr attr = (Attr)attributes.item(i);   
                if("src".equalsIgnoreCase(attr.getName())){
                    imageUrl = getImageUrl(base, attr);
                    imageName = getImageName(imageUrl);
                }
                else if("alt".equalsIgnoreCase(attr.getName())){
                    altText = attr.getValue().toLowerCase();
                }
            }

  private List<String> getSurroundingText(Node currentNode){

    List<String> SurroundingText = new ArrayList<String>();
    while(currentNode  != null){
        if(currentNode.getNodeType() == Node.TEXT_NODE){
            String text = currentNode.getNodeValue().trim();
            SurroundingText.add(text.toLowerCase());
        }

        if(currentNode.getPreviousSibling() != null && currentNode.getPreviousSibling().getNodeType() == Node.TEXT_NODE){
            String text = currentNode.getPreviousSibling().getNodeValue().trim();
            SurroundingText.add(text.toLowerCase());
        }
        currentNode = currentNode.getParentNode();
    }   
    return SurroundingText;
}

这似乎不能正常工作。检测到 img 标签，检索图像名称和 URL，但没有更多帮助。 getSurroundingText 模块看起来太丑了，我尝试过但无法改进它。我不清楚从哪里以及如何提取可能与图像相关的文本。请问有什么帮助吗？

Answer 1

您的思路是正确的，但另一方面，请查看以下示例 HTML 代码:

<div>
   <span>test1</span>
   <img src="http://example.com" alt="test image" title="awesome title">
   <span>test2</span>
</div>

就你的情况而言，我认为问题出在 img 的兄弟节点上。节点，例如您正在寻找直接兄弟节点，您可能认为在前面的示例中这些将是 span节点，但在本例中是一些虚拟文本节点，因此当您询问 img 的同级节点时你会得到这个空节点，没有实际的文本。

如果我们将之前的 HTML 重写为:<div><span>test1</span><img src="http://example.com" alt="test image" title="awesome title"><span>test2</span></div>那么 img 的兄弟节点将是 span您想要的节点。

我假设在前面的示例中您想要同时获取“text1”和“text2”，在这种情况下，您实际上需要继续移动，直到找到一些 Node.ELEMENT_NODE然后获取该节点内的文本。一种好的做法是不要抓取您找到的任何内容，而是将范围限制在 p 范围内。 , span , div提高准确率。