解析复杂的 li 标签答案

【问题标题】：Parsing a complex li tag解析复杂的 li 标签
【发布时间】：2018-02-22 03:01:46
【问题描述】：

我正在尝试使用 Jsoup 解析 HTML 文件。 HTML 中的某些文本不属于标签。

<li class="inactive"> 
  <span class="status label">inactive</span> 
  <a href="/officers/144662696" class="officer inactive" title="more info on MILLTOWN CORPORATE SERVICES">
     MILLTOWN CORPORATE SERVICES
  </a>
  member, 
  <span class="status label">inactive</span> 
  <a href="/companies/us_wv/193180" class="company inactive revoked_(failure_to_file_annual_report)" title="More Free And Open Company Data On EASTBRIDGE L.L.C. (West Virginia (US), 193180)">
    EASTBRIDGE L.L.C.
   </a> 
   (West Virginia (US), 
   <span class="start_date">25 May 2000</span>-<span class="end_date"> 1 Aug 2002</span>)  
</li>

我能够读取标签中的所有内容，但我正在尝试获取值 （美国西弗吉尼亚州） 和 member。

有没有办法在类之外和li 标记内获取值。

【问题讨论】：

不确定jsoup，但是可以尝试获取元素的innerHTML。寻找暴露元素的html而不是文本值的api
我已经使用 Jsoup 提取了所有其他字段。但我会尝试获取 innerHTML。

标签： java html parsing jsoup html-parsing

【解决方案1】：

您可能正在寻找类似Element#ownText 的东西。

这只会获取当前元素的文本，而不是所有子元素的组合文本。

Element listItem = doc.select("li.inactive").first();
System.out.println(listItem.ownText()); // prints "member, (West Virginia (US), -)"

【讨论】：

【解决方案2】：

您也可以使用前面的标签来获取没有嵌入任何标签的文本节点。如果我做对了，您希望在每个标签之后获取每个文本节点。尝试类似：

    String html = "<li class=\"inactive\"> \n"
            + "  <span class=\"status label\">inactive</span> \n"
            + "  <a href=\"/officers/144662696\" class=\"officer inactive\" title=\"more info on MILLTOWN CORPORATE SERVICES\">\n"
            + "     MILLTOWN CORPORATE SERVICES\n"
            + "  </a>\n"
            + "  member, \n"
            + "  <span class=\"status label\">inactive</span> \n"
            + "  <a href=\"/companies/us_wv/193180\" class=\"company inactive revoked_(failure_to_file_annual_report)\" title=\"More Free And Open Company Data On EASTBRIDGE L.L.C. (West Virginia (US), 193180)\">\n"
            + "    EASTBRIDGE L.L.C.\n"
            + "   </a> \n"
            + "   (West Virginia (US), \n"
            + "   <span class=\"start_date\">25 May 2000</span>-<span class=\"end_date\"> 1 Aug 2002</span>)  \n"
            + "</li>";

    Document doc = Jsoup.parse(html);
    Elements links = doc.select("a");
    for(Element e : links){
        System.out.println(e.nextSibling().toString());
    }

【讨论】：