如何提取之间的文本 标签

Question

我想从放置在p和li标记中的HTML页面提取文本，因此我可以开始对该页面进行标记化，以便为每个页面构造倒排索引，以便回答搜索查询。

我如何p使用jsoup 获取标签

Elements e = doc.select("");

要在该参数中写入的字符串是什么？

Answer 1

这可以做的工作

Elements e=doc.select("p");

这是您可以使用的所有选择器的列表。

假设您有这个html：

String html="<p>some <strong>bold</strong> text</p>";

要获得some bold text结果，您应该使用：

Document doc = Jsoup.parse(html);
Element p= doc.select("p").first();
String text = doc.body().text(); //some bold text

要么

String text = p.text(); //some bold text

假设现在您具有以下复杂的html

String html="<div id=someid><p>some text</p><span>some other text</span><p> another p tag</p></div>"

要从两个p标签中获取值，您必须执行以下操作

Document doc = Jsoup.parse(html);
Element content = doc.getElementById("someid");
Elements p= content.getElementsByTag("p");

String pConcatenated="";
for (Element x: p) {
  pConcatenated+= x.text();
}

System.out.println(pConcatenated);//sometext another p tag

你可以找到更多的信息在这里也

希望这有所帮助