如何使用 java 和 jsoup 解析 HTML 文本和链接

Question

我需要解析网页中的文本。正文是这样呈现的：

nonClickableText= link1 link2  nonClickableText2= link1 link2

我希望能够在 java 中将所有内容转换为字符串。不可点击的文本应保持原样，而可点击的文本应替换为实际的 link.

所以在 java 我会这样：

String parsedHTML = "nonClickableText= example.com example.com nonClickableText2= example3.com example4.com";

以下是一些图片：first second

Answer 1

link1 和 link2 到底是什么？根据你的例子

"... nonClickableText2= example3.com example4.com"

它们可能不同，那么除了 href 之外还有什么来源？

根据您的图像，以下代码应该为您提供采用最终字符串演示文稿的所有内容。首先我们抓取 <strong>-block 然后遍历子节点，使用 <a>-children 和前面的文本节点：

String htmlString = "<html><div><p><strong>\"notClickable1\"<a rel=\"nofollow\" target=\"_blank\" href=\"example1.com\">clickable</a>\"notClickable2\"<a rel=\"nofollow\" target=\"_blank\" href=\"example2.com\">clickable</a>\"notClickable3\"<a rel=\"nofollow\" target=\"_blank\" href=\"example3.com\">clickable</a></strong></p></div></html>";

Document doc = Jsoup.parse(htmlString); //can be replaced with Jsoup.connect("yourUrl").get();
String parsedHTML = "";

Element container = doc.select("div>p>strong").first();

for (Node node : container.childNodes()) {
    if(node.nodeName().equals("a") && node.previousSibling().nodeName().equals("#text")){
        parsedHTML += node.previousSibling().toString().replaceAll("\"", "");
        parsedHTML += "= " + node.attr("href").toString() + " ";
    }
}
parsedHTML.trim();

System.out.println(parsedHTML);

输出：

notClickable1= example1.com notClickable2= example2.com notClickable3= example3.com

如何使用 java 和 jsoup 解析 HTML 文本和链接

How to parse HTML text and links with java and jsoup

html

java

html-parsing

jsoup