在无 CSS 的 HTML 中提取两个 <hr> 标签之间的文本

Question

使用 Jsoup，提取文本的最佳方法是什么，其模式是已知的 ([number]%%[number])，但驻留在既不使用 CSS 也不使用 div、span、类或其他任何类型标识的 HTML 页面中 (是的，我无法控制的旧 HTML 页面？

唯一能始终如一地标识该文本段（并且保证保持这种状态）的是 HTML 总是看起来像这样（在更大的 HTML 正文中）：

<hr>
2%%17
<hr>

（数字 2 和 17 仅作为示例。它们可以是任何数字，事实上，这是我需要从该 HTML 页面可靠提取的两个变量）。

如果该文本位于封闭且唯一标识<span> 或<div> 中，则使用Jsoup 提取它没有问题。问题是情况并非如此，我现在能想到的唯一方法（这 一点也不 优雅）是通过一个处理 raw HTML正则表达式。

通过正则表达式处理原始 HTML 似乎效率低下，因为我已经通过 Jsoup 将其解析为 DOM。

建议？

Answer 1

这个怎么样？

Document document = Jsoup.connect(url).get();
Elements hrs = document.select("hr");
Pattern pattern = Pattern.compile("(\\d+%%\\d+)");

for (Element hr : hrs) {
    String textAfterHr = hr.nextSibling().toString();
    Matcher matcher = pattern.matcher(textAfterHr);

    while (matcher.find()) {
        System.out.println(matcher.group(1)); // <-- There, your data.
    }
}