如何从 HTML 文档中仅提取粗体文本？答案

【问题标题】：How do I extract only the bold text from an HTML document?如何从 HTML 文档中仅提取粗体文本？
【发布时间】：2013-05-07 07:32:15
【问题描述】：

我需要提取 HTML 文档正文中的所有粗体 sn-ps。我需要在服务器端使用 Java（而不是在浏览器上）

页面上的文本可以是粗体，因为标签例如<b>、<h1> 等，或者因为内联 CSS 样式 style="font-weight:bold;"，或者因为使用 CSS 类的外部 CSS 样式。

我正在使用 Jsoup，但我也可以使用任何其他库来完成这项工作。

感谢您的宝贵时间！

【问题讨论】：

页面是否有定义的结构，或者它可以变化吗？如果可能，请发布一个示例 HTML 页面。
为什么要添加javascript的标签？ Java会更合适吗？
如果您想在“服务器端”执行此操作，您应该将问题标记为“java”。 Jukka K. Korpela 花了一些时间为您提供了一个很棒的高质量解决方案，而您接受了一个有缺陷且便宜的解决方案，编辑您的问题和标签，使其“适合”解决方案。
我为那个 Slytael 感到抱歉。我的错！感谢您添加标签。

标签： java html parsing jsoup

【解决方案1】：

您可以使用 getElementsByTagName()

http://www.w3schools.com/jsref/met_doc_getelementsbytagname.asp

另外，可能很有用querySelectorAll

https://developer.mozilla.org/en-US/docs/DOM/Document.querySelectorAll

祝你好运，丹尼尔

【讨论】：

不是一个很好的答案。请参阅FAQ，您必须解释要做什么，而不仅仅是链接到可能的答案

【解决方案2】：

对于标签和内联样式（例如直接添加到 html 的样式，不包含在外部 css 样式表中），您可以使用 css 选择器link。（对于内联样式，它将是[style*="font-weight:bold;"]）。

【讨论】：

那么通过外部样式表加粗的文本呢？
IMO 不可能使用 jsoup。然后他必须找到另一个库或写下一个 css 解析器。 Op 没有说明他是否必须处理外部 css 样式表，因此我给了他一个解决方案，说明它可以做什么。

【解决方案3】：

简单的 JavaScript 解决方案：在足够新的浏览器上，您可以使用 getPropertyValue 方法来检索元素的计算样式。您可以遍历文档树并检查所有文本节点；文本节点没有样式，所以你需要检查他们的父母：

function consume(string) {
  console.log(string);
}
function traverse(tree) {
  var i;
  if(tree.nodeType === 3) {
    if(getComputedStyle(tree.parentNode).getPropertyValue('font-weight') === 'bold') {
      consume(tree.textContent);
    }
  }
  for(i = 0; i < tree.childNodes.length; i++) {
    traverse(tree.childNodes[i]);
  }
}
traverse(document.body);

将consume 替换为您自己的处理粗体文本的函数。

似乎font-weight 的计算值是bold，即使声明为700。

请注意，这只会选取字体粗细专门设置为粗体 (700) 的文本。计算出的字体粗细为 600、800 或 900 的元素很可能会以粗体显示（当然取决于字体的可用性）。可以通过对测试进行明显的修改来覆盖它们。

【讨论】：

太棒了。你也有Java服务器端的解决方案吗？

【解决方案4】：

只需通过标签名称抓取元素，然后循环：

elem = document.getElementsByTagName("b");

for(i=0;i<elem.length;i++) {
    console.log(elem[i].innerText)
}

【讨论】：