java - 无法使用 Jsoup HTML 解析器 Java 实现某些功能

Question

我无法使用 Jsoup Java 库解析以下场景的某些文本。

1:This is <b>My Text</b> some other <b> </b> text as well <b></b><b>non empty tag1</b> other text .

预期输出: some other <b> </b> text as well <b></b>

2:This is <b>My Text</b> some other <b> </b> text as well <b></b><b>non empty tag2</b> other text .

预期输出: some other <b> </b> text as well <b></b>

3:This is <b>My Text</b> some other <b> </b> text as well <b></b><b>non empty tag2</b> other text <b></b> <b>non empty tag3</b> .

预期输出: some other <b> </b> text as well <b></b>

在这里，如果您注意到文本我的文本是固定的(静态)，但第二个非空(不将空格视为值)B标签值可能会有所不同。正则表达式应该能够提取 <b>My Text</b> 之间的文本。第一次出现非空 <b>之后标记。

我正在使用 Jsoup 库，但无法实现上述预期输出。请确保该解决方案对于每个场景都应该是通用的，因为在我的例子中它是动态的。

Answer 1

简单的解决方案可能看起来像

• 查找<b>您感兴趣的元素(包含您要查找的文本的元素)
• 迭代放置在其后面的同级并打印它们，直到找到非空 <b>

您只需要记住 Jsoup 正在使用 Node存储所有元素(包括不属于标签的文本)，而 Element类(扩展 Node )可能只包含特定标签。

例如像

这样的文本

before <b>bold</b> after<i>italic</i>

将表示为

<node>before </node>
<element tag="B">
   <node>bold</node>
</element>
<node> after</node>
<element tag="I">
   <node>italic</node>
</element>

例如，如果您 select("b") (它将找到 <element tab="B"> )并调用 nextElementSibling()它会将您移至<element tag="I"> 。获取<node>after</node>您将需要使用nextSibling()这并没有消除简单的文本节点。

Node 可能存在问题类的问题是它不提供 text()可以生成当前节点文本内容的方法(这可以让我们测试当前节点/元素是否有任何文本)。但没有什么能阻止我们类型转换 Node它将标签处理为 Element提供了这样的方法。

所以我们的解决方案可能如下所示:

public static String findFragment(String html, String fixedStart) {

    Document doc = Jsoup.parse(html);
    Element myBTag = doc
            .select("b:matches(^" + Pattern.quote(fixedStart) + "$)")
            .first();

    StringBuilder sb = new StringBuilder();
    boolean foundNonEmpty = false;

    Node currentSibling = myBTag.nextSibling();
    while (currentSibling != null && !foundNonEmpty) {
        if (currentSibling.nodeName().equals("b")) {
            Element b = (Element) currentSibling;
            if (!b.text().trim().isEmpty())
                foundNonEmpty = true;
        }
        sb.append(currentSibling.toString());
        currentSibling = currentSibling.nextSibling();
    }

    return sb.toString();
}