如何从HTML中提取内容

我有HTML作为字符串，我想从中提取“post_titles”。这是HTML字符串：如何从HTML中提取内容

<div class="hidden" id="inline_49"> 
<div class="post_title">Single parenting</div> 
<div class="post_name">single-parenting</div> 
<div class="post_author">90307285</div> 
<div class="comment_status">open</div> 
<div class="ping_status">open</div> 
<div class="_status">publish</div> 
<div class="jj">20</div> 
<div class="mm">07</div> 
<div class="aa">2015</div> 
<div class="hh">00</div> 
<div class="mn">52</div> 
<div class="ss">33</div>

这有一个职位的标题为“单亲”，这是我想要提取的。这是我正在使用的：

Elements link = doc.select("div[class=post_title]"); 
String title = link.text();

但是这是一个空白字符串。我也试过：

Elements link = doc.select("div[id=inline_49]").select("div[class=post_title]"); 
String title = link.text();

这也给一个空白的字符串。请帮我选择一下我需要用来提取标题的选择器。

来源

2015-07-20 Abhinav Raja

您必须在您的请求的cookie。检查此Java代码：

try { 

      String url = "https://ssblecturate.wordpress.com/wp-login.php"; 

      Connection.Response response = Jsoup.connect(url) 
        .data("log", "your_login_here") // your wordpress login 
        .data("pwd", "your_password_here") // your wordpress password 
        .data("rememberme", "forever") 
        .data("wp-submit", "Log In") 
        .method(Connection.Method.POST) 
        .followRedirects(true) 
        .execute(); 

      Document document = Jsoup.connect("https://ssblecturate.wordpress.com/wp-admin/edit.php") 
        .cookies(response.cookies()) 
        .get(); 

      Element titleElement= document.select("div[class=post_title]").first(); 
      System.out.println(titleElement.text()); 

     } catch (IOException e) { 
      e.printStackTrace(); 
     }

来源

2015-07-20 17:56:19 Sestertius

这是工作绝对好。现在我明白了问题所在。为了从该页面访问html内容（https://ssblecturate.wordpress.com/wp-login.php），我需要提供登录信息，这就是为什么它返回空字符串。 –

我也想问问在我的代码中是否有我的登录信息（id和密码）是好的做法。用户是否有能力使用这些信息并滥用我的博客网站？ –

如果你有一个字符串，你可以试试regExp。

此正则表达式的意思是“一切以阶级POST_TITLE之间（不完全，但是是为您的样品）

String exp = "<div class=\"post_title\">([^<]*)</div>"

你应该能够得到与内容：

String post_title = Pattern.compile(exp).matcher(yourString).group(1);

注：我猜你的post_title不包含“<”...这确实应该会产生一个XML结构错误

来源

2015-07-20 16:03:51

更新！希望它的工作给你的：

//Get div tag with class name is 'post_title' 

Document doc; 
    try { 
     File input = new File("D:\\JAVA\\J2EE\\Bin\\Bin\\Project\\xml\\src\\demo\\index.html"); 
     doc = Jsoup.parse(input, "UTF-8", "http://example.com/"); 
     //Get div tag with class name is 'post_title' 
     Element element = doc.select("div.post_title").first(); 
     System.out.println(element.html()); 
    } catch (Exception e) { 
     e.printStackTrace(); 
    }

来源

2015-07-20 16:09:10 CodeMonster

这是在element.html（）提供空指针异常。线。 –

@TDG：谢谢！ – CodeMonster

我也试过了这个代码（来自'String'，而不是来自文件），它的工作原理。 – TDG

试试这个，但要确保你的HTML文本格式正确的字符串：

String html = "<div class=\"hidden\" id=\"inline_49\">" + 
      "<div class=\"post_title\">Single parenting</div>" + 
      "<div class=\"post_name\">single-parenting</div>" + 
      "<div class=\"post_author\">90307285</div>"; 

Document document = Jsoup.parse(html); 
Elements divElements = document.select("div"); 
for(Element div : divElements) { 
    if(div.attr("class").equals("post_title")) { 
     System.out.println(div.ownText()); 
    } 
}

来源

2015-07-20 16:45:29

仍然给出一个空字符串。 logcat出现错误：无效的Cookie标头。不知道是否必须采取措施。 –

这是一个免费的WordPress博客网站：https：//ssblecturate.wordpress.com/。此页面不会一次显示所有帖子（只显示为7，当您向下滚动时会显示更多帖子）。所以我使用不同的地址显示所有帖子：https://ssblecturate.wordpress.com/wp-admin/edit.php?post_type=post –

如何从HTML中提取内容

回答

相关问题