使用jsoup或regex在标题标记之间提取html标记

Question

嗨，我有一个html文件解析的场景。我正在使用jsoup解析html文件，解析后我想提取头标记（h1、h3、h4）。我用过医生。select（）但它将只返回标题标记值，但我的要求是我应该提取h1到h3或h4之间的标记，反之亦然。

<h4>SECTION 2</h4>
<p>some thing h4.....</p>
<p>some thing h4.....</p>
<p>some thing h4.....</p>
<h3>lawsuit</h3>
<p>some thing h3.....</p>
<p>some thing h3.....</p>
<p>some thing h3.....</p>
<h1>header one </h1>

所以这里首先搜索html字符串是否包含任何H1，H3，H4。这里我们有h4，所以包括h4，它应该搜索下一个h1或h3，直到h3我们提取字符串并把它放在一个单独的html文件中。

第一个html文件包含

<h4>SECTION 2</h4>
<p>some thing h4.....</p>
<p>some thing h4.....</p>
<p>some thing h4.....</p>

第二个html文件包含

<h3>lawsuit</h3>
<p>some thing h3.....</p>
<p>some thing h3.....</p>
<p>some thing h3.....</p>

第三个html文件包含

<h1>header one </h1>
....
....
....

这里的html字符串是动态的，所以我想写一个正则表达式来实现这个上下文，因为我是java新手，不知道如何实现。现在我使用了子字符串，但我需要一种通用方法，要么是正则表达式，要么是jsoup本身。

我试过的代码是。

try {
    File sourceFile = new File("E://data1.html");
    org.jsoup.nodes.Document doc = Jsoup.parse(sourceFile, "UTF-8");
    org.jsoup.nodes.Element elements = doc.body();
    String elementString = StringUtils.substringBetween(elements.toString(),"<h4>", "<h3>");
    System.out.println("elementString::"+elementString);
    File destinationFile = new File("E://sample.html");
    BufferedWriter htmlWriter = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(destinationFile), "UTF-8"));
    htmlWriter.write(elementString);
    htmlWriter.close();
    System.out.println("Completed!!!");
} catch (Exception e) {
    // TODO Auto-generated catch block
    e.printStackTrace();
}

请帮助我实现这一目标。

Answer 1

你可能正在寻找这个。您可以在选择所需元素后使用此函数。

如果您使用的是JSoup，在dom操作的情况下，您不必（事实上不需要）使用regex。

Elements heads = body.select('h1');
// iterate and get inner html of that elements by
String html = head.html();

--编辑--

误解了问题；

您可以确定h标签的索引，并使用getElementsByIndexGreaterthan。其余的将是一样的。

--编辑2--

针对您的具体情况；您可以在找到第一个h元素后进行迭代：

  Elements elements = doc.select("h1,h2,h3,h4,h5");
  for (Element element : elements) {
     StringBuilder sb = new StringBuilder(element.toString());

     Element next = element.nextElementSibling();
     while (next != null && !next.tagName().startsWith("h")) {
        sb.append(next.toString()).append("\n");
        next = next.nextElementSibling();
     }
     System.out.println(sb);

  }

应该对你有用。

Answer 2

请不要使用正则表达式从Xml或HTML文档中提取元素。Regex对大型文档有限制。

改为使用XPath查询文档。例如，试着看看这个stackoverflow问题。可以使用管道运算符|在OR中具有多个条件。

类似的方法应该可以奏效：

//h1/following-sibling::p |
//h2/following-sibling::p |
//h3/following-sibling::p |
...