选择 <tr> 标签时，jsoup 返回 <thead> 标签？

Question

我是 jsoup 的新手，可能用错了。我打算联系邮件列表，但 jsoup instructs to post here first。我正在尝试从表中选择<td> 元素，但返回的第一个元素实际上是<thead>。这是获取给定表的<td> 元素的错误方法吗？如果是这样，正确的方法是什么？

下面的简单代表性问题：

HTML：

<table id="results_table">
    <thead>
        <th>Header1</th>
    </thead>
    <tbody>
        <tr>
            <td>td1</td>
        </tr>
    </tbody>
</table>

测试：

String pageHtml = IOUtils.toString(this.getClass().getResourceAsStream("sample.html"));
Document doc = Jsoup.parse(pageHtml);
Element table = doc.getElementById("results_table");
Elements trs = table.getElementsByTag("tr");

System.out.println("Size: " + trs.size());
System.out.println("First Element: " + trs.get(0).html());
System.out.println("Second Element: " + trs.get(1).html());

收到的输出：

Size: 2
First Element: <th>Header1</th>
Second Element: <td>td1</td>

预期输出：

Size: 1
First Element: <td>td1</td>
//Index out of bounds exception

Answer 1

大概是jsoup在解析HTML文档的时候把<th>元素放到了自己的<tr>里面，导致了下面的DOM：

<table id="results_table">
    <thead>
        <tr>
            <th>Header1</th>
        </tr>
    </thead>
    <tbody>
        <tr>
            <td>td1</td>
        </tr>
    </tbody>
</table>

由于表格单元格必须位于表格行中（这意味着您的源 HTML 文件无效），我希望任何 HTML 处理器，尤其是 Web 浏览器，都可以这样做（虽然在 XML 模式下不会发生这种情况, jsoup 不支持）。

相反，您可以将 doc.select() 与 CSS 选择器一起使用，以仅获取 <tbody> 中的行：

String pageHtml = IOUtils.toString(this.getClass().getResourceAsStream("sample.html"));
Document doc = Jsoup.parse(pageHtml);
Elements trs = doc.select("#results_table tbody tr");

System.out.println("Size: " + trs.size());
System.out.println("First Element: " + trs.get(0).html());
System.out.println("Second Element: " + trs.get(1).html()); // IndexOutOfBoundsException

（您也可以使用一系列getElementsByTag() 调用，但这需要额外的遍历和迭代；使用doc.select() 更简洁。）

如果您不需要先遍历行而只是想直接获取<td> 元素，则可以这样做：

String pageHtml = IOUtils.toString(this.getClass().getResourceAsStream("sample.html"));
Document doc = Jsoup.parse(pageHtml);
Element table = doc.getElementById("results_table");
Elements tds = table.getElementsByTag("td");