我有一个严重的问题。 我想从标签中提取内容，例如：
<div class="main-content">
<div class="sub-content">Sub content here</div>
Main content here </div>
我期望的输出是：
此处为子内容
此处为主要内容
我尝试过使用正则表达式，但结果并不那么令人印象深刻。 通过使用：
Pattern.compile("<div>(\\S+)</div>");
会返回第一个 标签之前的所有字符串
那么，谁能帮帮我吗？
【问题讨论】：
我建议避免使用正则表达式来解析 HTML。您可以使用Jsoup 轻松完成您的要求：
public static void main(String[] args) {
String html = "<html><head/><body><div class=\"main-content\">" +
"<div class=\"sub-content\">Sub content here</div>" +
"Main content here </div></body></html>";
Document document = Jsoup.parse(html);
Elements divs = document.select("div");
for (Element div : divs) {
System.out.println(div.ownText());
}
}
回应评论：如果您想将div 元素的内容放入Strings 的数组中，您可以简单地这样做：
String[] divsTexts = new String[divs.size()];
for (int i = 0; i < divs.size(); i++) {
divsTexts[i] = divs.get(i).ownText();
}
回应评论：如果您有嵌套元素并且想要为每个元素获取自己的文本，那么您可以使用 jquery 多选择器语法。这是一个例子：
public static void main(String[] args) {
String html = "<html><head/><body><div class=\"main-content\">" +
"<div class=\"sub-content\">" +
"<p>a paragraph <b>with some bold text</b></p>" +
"Sub content here</div>" +
"Main content here </div></body></html>";
Document document = Jsoup.parse(html);
Elements divs = document.select("div, p, b");
for (Element div : divs) {
System.out.println(div.ownText());
}
}
上面的代码将解析以下 HTML：
<html>
<head />
<body>
<div class="main-content">
<div class="sub-content">
<p>a paragraph <b>with some bold text</b></p>
Sub content here</div>
Main content here</div>
</body>
</html>
并打印以下输出：
Main content here
Sub content here
a paragraph
with some bold text
【讨论】：
div 内容放入数组的问题。
，但是结果：-这里是子内容这里是主要内容-这里是子内容怎么会发生这种情况？
text() 获取该元素及其所有子元素的组合文本。见jsoup javadocs
div 标签，每个标签都包含文本，并且你使用 text() 方法，那么最里面的div 标记的文本被打印两次：一次是在外部div 上调用text() 时，一次是在内部div 上调用它时（for 循环处理所有div 标记）。我希望这会有所帮助。
<div class="main-content" id="mainCon">
<div class="sub-content" id="subCon">Sub content here</div>
Main content here </div>
如果你想得到你提到的结果，从这段代码中
使用document.getElementById("mainCon").innerHTML 它会给出Main content here以及sub div，但你会解析那个东西。
同样，对于 sub-div，您可以使用上面的代码片段，即document.getElementById("subCon").innerHTML
【讨论】：