java JSoup解析结构不良的HTML

Question

我的HTML结构如下所示：

<h1>Title</h1>
<h2>Subtitle</h2>
<p>Some text</p>
<p>Some other text</p>

<h1>Some other title</h1>
<h2>Another sub-title</h2>
<p>Some other text</p>

基本上，它们是文章，但每一篇文章都不在一个单独的分区内。因此，将它们分开的是标签。我只对解析段落文本感兴趣，因为每一篇文章都应该是一个独立的实体

我想的是：找到物品存放的容器，找到第一个h1标签。开始解析所有元素，直到到达另一个h1标记。当到达新的h1标签时，处理之前解析的数据并重新开始

但我想知道一个更简单的解决方案是否可行

Answer 1

我只能稍微改进一下你的解决方案：

1. 选择容器中的所有h1元素（而不仅仅是逐个搜索容器的元素）
2. 对于每个匹配h1
   1. 聚集它的以下兄弟姐妹直到第一个h1
   2. 处理它们

^{}让您可以找到h1（例如，.select("selector-for-container > h1")，然后^{}让您可以轻松地从每个h1（或^{}向前遍历，但之后您必须自己删除非元素——当然，如果p中有不是的文章内容，那么您就需要将其用于文本节点）