java - 删除我从网站上抓取的文本中的空白

Question

我正在尝试从网站上抓取药品 list 。 我正在使用 JSOUP 来解析 Html。

这是我的代码:

URL url = new URL("http://www.medindia.net/drug-price/index.asp?alpha=a");
Document doc1 = Jsoup.parse(url, 0);

Elements rows = doc1.getElementsByAttributeValue("style", "padding-left:5px;border-right:1px solid #A5A5A5;");

for(Element row : rows){
    String htm = row.text();
    if(!(htm.equals("View Price")||htm.contains("Show Details"))) {
        System.out.println(htm);
        System.out.println();
    }
}

这是我得到的输出:

附注这不是完整的输出，但由于我无法截取完整输出的屏幕截图，所以我只是显示了它。

我需要知道两件事:

问题 1. 为什么每个药物名称前面都会有一个额外的空格，以及为什么在某些药物名称后面会出现额外的换行符？

问题 2.如何解决此问题？

Answer 1

一些事情:

1. 这不是完整的输出，因为有不止一页。我放置了一个 for 循环来为您解决这个问题。
2. 您可能应该使用 htm.trim() 修剪输出
3. 您应该确保在出现 newLine 时不打印 (!htm.isEmpty())
4. 该网站有一个奇怪的字符，其中 ASCII 值为 160。我添加了一个小修复来解决该问题。 (使用 .replace)

这是固定代码:

for(char page='a'; page <= 'z'; page++) {
  String urlString = String.format("http://www.medindia.net/drug-price/index.asp?alpha=%c", page);
  URL url = new URL(urlString);
  Document doc1 = Jsoup.parse(url, 0);
  Elements rows = doc1.getElementsByAttributeValue("style", "padding-left:5px;border-right:1px solid #A5A5A5;");
  for(Element row : rows){
    String htm = row.text().replace((char) 160, ' ').trim();
    if(!(htm.equals("View Price")||htm.contains("Show Details"))&& !htm.isEmpty())
    {
      System.out.println(htm.trim());
      System.out.println();
    }
  }
}