如何用Java中的Jsoup从javascript变量解析html？
我使用Jsoup来解析html文件，并从元素中提取所有可见的文本。问题是javascript变量中有一些html位明显被忽略了。取出这些碎片的最佳方案是什么？
示例:
<!DOCTYPE html>
<html>
<head>
<script>
var html = "<span>some text</span>";
</script>
</head>
<body>
<p>text</p>
</body>
</html>
在这个例子中，Jsoup只从p标签中获取文本，这是它应该做的。如何从 var html 跨度中获取文本？该解决方案必须应用于数千个不同的页面，因此我不能依赖具有相同名称的javascript变量之类的东西。
共有2个答案
我不太确定答案，但我在这里之前看到了类似的情况。
您可能可以使用Jsoup和手动解析来根据该答案获取文本。
我只是根据您的具体情况修改了这段代码：
Document doc = ...
Element script = doc.select("script").first(); // Get the script part
Pattern p = Pattern.compile("(?is)html = \"(.+?)\""); // Regex for the value of the html
Matcher m = p.matcher(script.html()); // you have to use html here and NOT text! Text will drop the 'html' part
while( m.find() )
{
System.out.println(m.group()); // the whole html text
System.out.println(m.group(1)); // value only
}
希望它会有所帮助。
您可以使用Jsoup解析所有＜code＞
数据节点
一个数据节点，用于样式、脚本标签等内容，其中内容不应显示在text（）中。
Elements scriptTags = doc.getElementsByTag("script");
这将为您提供tag的所有元素。
然后可以使用< code > getWholeData()-方法提取节点。
// Get the data contents of this node.
String getWholeData()
for (Element tag : scriptTags){
for (DataNode node : tag.dataNodes()) {
System.out.println(node.getWholeData());
}
}
Jsoup API - DataNode
-
问题内容： 在页面中，我想选择一个变量的值。以下是页面的摘要。 我的目的是使用来从此页面读取变量的值。有可能吗？如果是，那怎么办？ 问题答案： 由于jsoup不是javascript库，因此有两种方法可以解决此问题： A.使用JavaScript库 优点： 全面的Javascript支持 缺点： 附加的天秤/依赖项 B.使用Jsoup +手动解析 优点： 无需额外的库 足以完成简单的任务 缺点：
-
问题内容： 这是我必须从中提取值5390.85,5428.15，5376.15和5413.85的HTML源。我想使用jsoup做到这一点。但是我对jsoup比较陌生（今天我开始使用它）。那我该怎么办呢？ 我已经使用jsoup提取了网站的内容。但是如何提取我需要的值？提前致谢 问题答案： 尝试这样的事情： 这是打印输出：-
-
我正在尝试访问由Javascript创建的网页上的一些内容。然而，我希望访问的内容是在页面加载后由javascript创建的，因此当我尝试用Jsoup解析它时，无法找到这个Html源代码块。 我使用HtmlUnit获取Html源代码的代码如下: 但是当我运行它时，应该创建的Html没有被打印出来。我想知道如何获得这个由Javascript创建的Html源代码，使用HtmlUnit，然后获得所述结果
-
问题内容： 我正在使用BeautifulSoup和Requests抓取一些网站。我正在检查的页面的标签中包含其数据。看起来像这样： 有没有一种方法可以通过此脚本标签内的变量创建python字典或json对象？这比尝试通过BeautifulSoup获取值要好得多。 问题答案： 如果您使用BeautifulSoup获取标签的内容，则该模块可以使用一些字符串魔术来完成其余的工作： 上面的和组合在Java
-
问题内容： 我正在尝试使用jsoup解析HTML。这是我第一次使用jsoup，并且我也阅读了有关它的一些教程。以下是我要解析的HTML表- 如果您看到我的下表，则它现在有3个（我只是为了理解目的将其缩短为3个表行，但总的来说会更多）。现在，我想从我的下表中提取出它的对应信息，例如-我将提取其群集状态及其状态为关闭的所有主机名。 正如你可以看到下面的群集名称，我有两个主机名和其地位，但地位。 因此，
-
正如您在下面看到的集群名称，我有两个主机名和，其中状态为，但状态为。 因此，我将打印作为集群名，并打印作为主机名，因为它已关闭。使用JSOUP可以做到这一点吗？ 到目前为止，我能够使用jsoup提取整个HTML表，但不确定如何提取集群名和主机名- 更新：- 表中可能有两个集群名称，如下所示- 现在，如果您看到上面，我有两个集群名称--一个是，另一个是，所以我想找到所有仅为集群名称关闭的计算机。