使用 jsoup 或正则表达式在 header 标签之间提取 html 标签

Question

你好，我在 html 文件中有一个场景 parsing.I 我正在使用 jsoup 解析 html 文件，解析后我想提取 header 标签（h1，h3 ,h4)。我使用了 doc.select() 但它只会 return 标签值 header 但我的要求是我应该在 h1 到 h3 或 h4 和 vice-versa 之间提取标签。

<h4>SECTION 2</h4>
<p>some thing h4.....</p>
<p>some thing h4.....</p>
<p>some thing h4.....</p>
<h3>lawsuit</h3>
<p>some thing h3.....</p>
<p>some thing h3.....</p>
<p>some thing h3.....</p>
<h1>header one </h1>

所以这里先查找html字符串中是否包含H1,H3,H4。这里我们有 h4 所以包括 h4 它应该搜索下一个 h1 或 h3，直到 h3 我们提取字符串并将其放在单独的 html 文件中。

第一个 html 文件包含

<h4>SECTION 2</h4>
<p>some thing h4.....</p>
<p>some thing h4.....</p>
<p>some thing h4.....</p>

第二个 html 文件包含

<h3>lawsuit</h3>
<p>some thing h3.....</p>
<p>some thing h3.....</p>
<p>some thing h3.....</p>

第三个 html 文件包含

<h1>header one </h1>
....
....
....

这里的 html 字符串是动态的，所以我想写一个正则表达式来实现这个上下文，因为我是 java 的新手，我不知道如何实现这个。现在我使用了子字符串，但我需要一个通用的方法，要么是正则表达式，要么是 jsoup 本身。

我试过的代码是。

try {
    File sourceFile = new File("E://data1.html");
    org.jsoup.nodes.Document doc = Jsoup.parse(sourceFile, "UTF-8");
    org.jsoup.nodes.Element elements = doc.body();
    String elementString = StringUtils.substringBetween(elements.toString(),"<h4>", "<h3>");
    System.out.println("elementString::"+elementString);
    File destinationFile = new File("E://sample.html");
    BufferedWriter htmlWriter = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(destinationFile), "UTF-8"));
    htmlWriter.write(elementString);
    htmlWriter.close();
    System.out.println("Completed!!!");
} catch (Exception e) {
    // TODO Auto-generated catch block
    e.printStackTrace();
}

请帮我实现这个目标。

Answer 1

您可能正在寻找 this。您可以在 select 所需元素后使用此功能。

如果您使用的是 Jsoup，则在 dom 操作的情况下，您不必（实际上不需要）使用正则表达式。

Elements heads = body.select('h1');
// iterate and get inner html of that elements by
String html = head.html();

--编辑--

误解了问题；

您可以确定 h 标签的索引并使用 getElementsByIndexGreaterThan。其他的都一样。

--编辑2--

针对您的具体情况；您可以在找到第一个 h 元素后进行迭代：

  Elements elements = doc.select("h1,h2,h3,h4,h5");
  for (Element element : elements) {
     StringBuilder sb = new StringBuilder(element.toString());

     Element next = element.nextElementSibling();
     while (next != null && !next.tagName().startsWith("h")) {
        sb.append(next.toString()).append("\n");
        next = next.nextElementSibling();
     }
     System.out.println(sb);

  }

应该适合你。

Answer 2

请不要使用正则表达式从 Xml 或 HTML 文档中提取元素。正则表达式对大型文档有限制。

改用 XPath 来查询文档。例如，尝试查看 this Whosebug 问题。您可以使用管道运算符 |在 OR 中有一个以上的条件。

类似于此的东西应该可以工作：

//h1/following-sibling::p |
//h2/following-sibling::p |
//h3/following-sibling::p |
...

使用 jsoup 或正则表达式在 header 标签之间提取 html 标签

Extracting html tags between header tags using jsoup or regex

java

regex

string

jsoup