如何解析一个 html 页面并使用 html 标签的类名或 id 取出文本？

Question

我想解析一个 html 页面并使用类名或 html 标记的 id 取出文本。

Apache tika 还是 jsoup？建议我使用 html 页面的特定标签、id 或类名来操作和取出文本的任何工具名称。

Answer 1

我用Jsoup给你做了三个用例的例子，请看代码中的cmets：

• 按类名获取div元素
• 通过标签名获取所有div元素
• 通过id获取元素

String html = "...";
Document doc = Jsoup.parse(html);

// get div elements by class name 
Elements divs = doc.select("div.myclass");
for (Element div : divs) {
    // print containing text
    System.out.println(div.text());
}

// get all div elements by tag name
divs = doc.getElementsByTag("div");
for (Element div : divs) {
    // print containing text
    System.out.println(div.text());
}

// get element by id
String id = "...";
Element element = doc.getElementById(id);
System.out.println(element.text());