如何在 Java 中将 具有 colspan 和 rowspan 的 HTML 表转换为二维数组(矩阵)？
我在 Python 和 jQuery 中找到了很好的解决方案，但在 Java 中却找不到(只有非常简单的表格通过 jsoup)。 XSLT 有一个很好的解决方案，但由于格式错误的输入 HTML 文件，它对我来说不合适。
输入表示例:
<body>
<table border="1">
<tr><td>H1</td><td colspan="2">H2</td><tr>
<tr><td></td><td>SubH2_1</td><td>SubH2_2</td><tr>
<tr><td rowspan="3">A1</td><td>B1</td><td rowspan="2">C1</td></tr>
<tr><td rowspan="2">B2</td></tr>
<tr><td>C3</td></tr>
<tr><td>C4</td><td>C5</td><td>C6</td></tr>
<tr><td>D7</td><td colspan="2">D9</td></tr>
<tr><td colspan="3">Notes</td></tr>
</table>
</body>
期望的输出:
[['H1', 'H2', 'H2'],
['', 'SubH2_1', 'SubH2_2'],
['A1', 'B1', 'C1'],
['A1', 'B2', 'C3'],
['C4', 'C5', 'C6'],
['D7', 'D9', 'D9'],
['Notes', 'Notes', 'Notes']]
最佳答案
我找到了一种使用 Jsoup 的方法和 Java 8 Stream API:
//given:
final InputStream html = getClass().getClassLoader().getResourceAsStream("table.html");
//when:
final Document document = Jsoup.parse(html, "UTF-8", "/");
final List<List<String>> result = document.select("table tr")
.stream()
// Select all <td> tags in single row
.map(tr -> tr.select("td"))
// Repeat n-times those <td> that have `colspan="n"` attribute
.map(rows -> rows.stream()
.map(td -> Collections.nCopies(td.hasAttr("colspan") ? Integer.valueOf(td.attr("colspan")) : 1, td))
.flatMap(Collection::stream)
.collect(Collectors.toList())
)
// Fold final structure to 2D List<List<Element>>
.reduce(new ArrayList<List<Element>>(), (acc, row) -> {
// First iteration - just add current row to a final structure
if (acc.isEmpty()) {
acc.add(row);
return acc;
}
// If last array in 2D array does not contain element with `rowspan` - append current
// row and skip to next iteration step
final List<Element> last = acc.get(acc.size() - 1);
if (last.stream().noneMatch(td -> td.hasAttr("rowspan"))) {
acc.add(row);
return acc;
}
// In this case last array in 2D array contains an element with `rowspan` - we are going to
// add this element n-times to current rows where n == rowspan - 1
final AtomicInteger index = new AtomicInteger(0);
last.stream()
// Map to a helper list of (index in array, rowspan value or 0 if not present, Jsoup element)
.map(td -> Arrays.asList(index.getAndIncrement(), Integer.valueOf(td.hasAttr("rowspan") ? td.attr("rowspan") : "0"), td))
// Filter out all elements without rowspan
.filter(it -> ((int) it.get(1)) > 1)
// Add all elements with rowspan to current row at the index they are present
// (add them with `rowspan="n-1"`)
.forEach(it -> {
final int idx = (int) it.get(0);
final int rowspan = (int) it.get(1);
final Element td = (Element) it.get(2);
row.add(idx, rowspan - 1 == 0 ? (Element) td.removeAttr("rowspan") : td.attr("rowspan", String.valueOf(rowspan - 1)));
});
acc.add(row);
return acc;
}, (a, b) -> a)
.stream()
// Extract inner HTML text from Jsoup elements in 2D array
.map(tr -> tr.stream()
.map(Element::text)
.collect(Collectors.toList())
)
.collect(Collectors.toList());
我添加了很多注释来解释特定算法步骤中发生的情况。
在此示例中，我使用了以下 html 文件:
<body>
<table border="1">
<tr><td>H1</td><td colspan="2">H2</td></tr>
<tr><td></td><td>SubH2_1</td><td>SubH2_2</td></tr>
<tr><td rowspan="2">A1</td><td>B1</td><td>C1</td></tr>
<tr><td>B2</td><td>C3</td></tr>
<tr><td>C4</td><td>C5</td><td>C6</td></tr>
<tr><td>D7</td><td colspan="2">D9</td></tr>
<tr><td colspan="3">Notes</td></tr>
</table>
</body>
和你的一样，唯一不同的是它有rowspan使用固定 - 在您的示例中 A1重复三次而不是两次。还有两个<tr>在这个例子中被正确关闭，否则两个额外的空数组出现在最终结构中。
这是控制台输出:
[H1, H2, H2]
[, SubH2_1, SubH2_2]
[A1, B1, C1]
[A1, B2, C3]
[C4, C5, C6]
[D7, D9, D9]
[Notes, Notes, Notes]
您可以使用粘贴在问题中的精确 HTML 来运行此示例，它会产生一些不同的输出:
[H1, H2, H2]
[]
[, SubH2_1, SubH2_2]
[]
[A1, B1, C1]
[A1, B2, C1]
[A1, B2, C3]
[C4, C5, C6]
[D7, D9, D9]
[Notes, Notes, Notes]
那些空数组出现是因为有两个未闭合的<tr> HTML 中的元素。
<tr><td>H1</td><td colspan="2">H2</td><tr>
<tr><td></td><td>SubH2_1</td><td>SubH2_2</td><tr>
关闭它们并再次运行算法将产生以下输出:
[H1, H2, H2]
[, SubH2_1, SubH2_2]
[A1, B1, C1]
[A1, B2, C1]
[A1, B2, C3]
[C4, C5, C6]
[D7, D9, D9]
[Notes, Notes, Notes]
如你所见A1存在 3 次，因为它有一个属性 rowspan="3"和 B2有rowspan="2"和 C1有rowspan="2"以及。它生成的 HTML 看起来“几乎”与我的第一个示例中的相同，但是当您仔细查看这 3 行时，您会发现它们不在同一像素级别。根据您预期的响应，我已经修复了输入 HTML 的外观和行为符合您的预期。
如果我无法修改输入的 HTML 怎么办？
好吧，如果您不能修改输入的 HTML，那么您将不得不:
- 过滤掉所有由于未关闭而创建的空数组
<tr>标签 - 检查您对
A1的输出预期,B2和C3- HTML View 不显示用 HTML 编写的此表的确切结构。
示例项目源代码
在这里你可以找到full source code的 JUnit 测试，我曾经找到你问题的答案。欢迎下载this sample Maven project托管在 GitHub 上以尝试算法的实现。
希望对你有帮助。
关于java - 将数据从复杂的 HTML 表中提取到 Java 中的二维数组，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/45233038/