Groovy XmlParser / XmlSlurper：node.localText（）位置？答案

【问题标题】：Groovy XmlParser / XmlSlurper: node.localText() position?Groovy XmlParser / XmlSlurper：node.localText（）位置？
【发布时间】：2015-12-09 01:46:54
【问题描述】：

我对此问题有一个后续问题：Groovy XmlSlurper get value of the node without children。

它解释说，为了在不递归地获取潜在内部子节点的嵌套文本的情况下获取 (HTML) 节点的本地内部文本，必须使用 #localText() 而不是 #text()。

例如，原始问题的一个稍微增强的示例：

<html>
    <body>
        <div>
            Text I would like to get1.
            <a href="http://intro.com">extra stuff</a>
            Text I would like to get2.
            <a href="http://example.com">link to example</a>
            Text I would like to get3.
        </div>
        <span>
            <a href="http://intro.com">extra stuff</a>
            Text I would like to get2.
            <a href="http://example.com">link to example</a>
            Text I would like to get3.
        </span>
    </body>
</html>

应用解决方案：

def tagsoupParser = new org.ccil.cowan.tagsoup.Parser()
def slurper = new XmlSlurper(tagsoupParser)
def htmlParsed = slurper.parseText(stringToParse)

println htmlParsed.body.div[0].localText()[0]

会返回：

[Text I would like to get1., Text I would like to get2., Text I would like to get3.]

然而，在本例中解析<span>部分时

println htmlParsed.body.span[0].localText()

输出是

[Text I would like to get2., Text I would like to get3.]

我现在面临的问题是，显然无法确定文本的位置（“在哪些子节点之间”）。我本来预计第二次调用会产生

[, Text I would like to get2., Text I would like to get3.]

这已经很清楚了：位置 0（在孩子 0 之前）是空的，位置 1（在孩子 0 和 1 之间）是“我想要获取的文本”，位置 2（在孩子 1 和 2 之间）是“我想得到的文字3”。但鉴于 API 的工作原理，显然无法确定在索引 0 处返回的文本是否实际位于索引 0 或任何其他索引处，所有其他索引也是如此。

我已经对XmlSlurper 和XmlParser 进行了尝试，得到了相同的结果。

如果我在这里没记错的话，使用来自解析器的信息完全重新创建原始 HTML 文档也是不可能的，因为这个“文本索引”信息丢失了。

我的问题是：有没有办法找出那些文本位置？要求我更改解析器的答案也是可以接受的。

更新/解决方案：

为了进一步参考，这里是 Will P 的答案，应用于原始代码：

def tagsoupParser = new org.ccil.cowan.tagsoup.Parser()
def slurper = new XmlParser(tagsoupParser)
def htmlParsed = slurper.parseText(stringToParse)

println htmlParsed.body.div[0].children().collect {it in String ? it : null}

这会产生：

[Text I would like to get1., null, Text I would like to get2., null, Text I would like to get3.]

必须使用 XmlParser 而不是 XmlSlurper 和 node.children()。

【问题讨论】：

标签： groovy html-parsing xmlslurper

【解决方案1】：

我不知道 jsoup，我希望它不会干扰解决方案，但是使用纯 XmlParser 您可以获得包含原始字符串的 children() 数组：

html = '''<html>
    <body>
        <div>
            Text I would like to get1.
            <a href="http://intro.com">extra stuff</a>
            Text I would like to get2.
            <a href="http://example.com">link to example</a>
            Text I would like to get3.
        </div>
        <span>
            <a href="http://intro.com">extra stuff</a>
            Text I would like to get2.
            <a href="http://example.com">link to example</a>
            Text I would like to get3.
        </span>
    </body>
</html>'''

def root = new XmlParser().parseText html

root.body.div[0].children().with {
    assert get(0).trim() == 'Text I would like to get1.'
    assert get(0).getClass() == String

    assert get(1).name() == 'a'
    assert get(1).getClass() == Node

    assert get(2) == '''
            Text I would like to get2.
            '''
}

【讨论】：

就是这样！显然，它仅适用于 XmlParser，不适用于 XmlSlurper。谢谢你。我会用解决方案更新我的问题。我只希望 Groovy 能更清楚地记录这两个类之间的差异......