Python中文网

一个关于 编程问题的解答网站.

有 Java 编程相关的问题?

你可以在下面搜索框中键入要查询的问题!

java JSoup逐个标记解析HTML

3 月，2 周 Questions & Answers

我正在用Java开发一个文本解析器，我被要求通过解析HTML来增强它。 解析器的目的是将解析后的文件分成3个其他文件，一个包含文件中的所有单词，一个包含所有句子，另一个包含所有问题

那个*。txt部分工作得很好，但我在解析HTML时遇到了一个问题

我用*创建了一个临时文件。txt扩展名并将其传递到我的文本解析器中，但如果我传递一个链接了HTML文件的URL，其格式如下：

<!DOCTYPE html>
    <head>
        ... some HTML here ...
    </head>
    <body>
        <ul class="some_menu">
            <li class="some_menu_item">n1</li>
            <li class="some_menu_item">n2</li>
            <li class="some_menu_item">n2</li>
        </ul>
        <div>
            This is a question ?
            This is a sentence .
            ... some other text ...
        </div>
    </body>
</html>

问题文件将填写：n1 n2 n3 This is a question

所以，我只是想知道，有没有一种方法可以用JSoup标记逐个进行解析，这样每次关闭一个块时我都可以添加一个换行符

如果你需要一些新信息，不要费心问

编辑：我应该有3个输出文件，例如：

  1. 一个字里行间

    n1
n2
n3
This
is
a
question
sentence
... some other words ...

  2. 一个有所有句子

    This is a sentence

  3. 一个有所有问题的人

    This is a question

蒂姆姆


共 (2) 个答案

  1. # 1 楼答案

    要获取html正文中的所有文本，可以使用：

    Document doc = Jsoup.connect(url).get();
Elements body = doc.select("body");
String allText = body[0].text();

    然后可以拆分文本，使每个单词分开。 要获取div标记中的文本，可以使用：

    Elements div = doc.select("div");
String divText = div[0].text();

    然后可以拆分文本以获得每个句子

    请注意，select查询的返回类型实际上是元素列表，即元素。这是因为可以有多个元素与select查询匹配。在本例中，由于每种情况只有一个元素，我们通过访问返回数组的索引0来访问它

    编辑：为了遍历所有元素，请选中此answer。基本上

    Elements elements = doc.body().select("*");

for (Element element : elements) {
    System.out.println(element.text());
}

    虽然可能有没有文本的元素，所以你可以检查一下