如何使用JSoup以正确的顺序遍历文本和属性的html

Question

如何使用 JSoup 以正确的顺序循环访问文本和属性的 html。

<a href="link1"> text child 1</a>
own text 1
<b> text child 2</b>
own text 2

我想对每个属性/文本进行一些处理。例如，最终输出可能如下所示： -

1) text child 1 (is a link)
2) own text 1 
3) text child 2 (is bold)
4) own text 2

目前，我可以迭代子元素

Elements elements = element.children(); //gives my child 1 and 2;
for(element e: elements){ 
    //... do processing plus extract childText... 
}

或者有自己的短信，但我不知道如何两者兼顾。

String text = element.ownText(); // gives me own text 1 and 2;

另外，我不想使用（因为行信息丢失了）

String text =element.Text(); 

如何迭代元素，以便获得

child 1 -> text 1 -> child 2 -> text 2 (where text 1 and 2 are separated)

Answer 1

如果你的HTML不是很复杂，你可以使用：

for (Node node : document.body().childNodes()) {
    if (node instanceof TextNode) {
        System.out.println(((TextNode) node).text());
    } else if (node instanceof Element) {
        System.out.println(((Element) node).ownText());
    }
}

如果它更复杂，您可以递归地遍历元素树：

public static void main(String[] args) {
    try {
        Document document = Jsoup
                .parse("<a href=\"link1\"> text child 1</a>\r\n" + "own text 1\r\n" + "<b> text child 2</b>\r\n" + "own text 2");

        handleElement(document.body());
    } catch (Exception e) {
        e.printStackTrace();
    }
}

public static void handleElement(Node parent) {
    if (parent instanceof TextNode) {
        System.out.println(((TextNode) parent).text());
    }
    for (Node node : parent.childNodes()) {
        handleElement(node);
    }
}

这段代码打印出您所描述的内容:

int counter = 1;
for (Node node : document.body().childNodes()) {
    if (node instanceof TextNode) {
        System.out.println(counter++ + ") " + ((TextNode) node).text().trim());
    } else if (node instanceof Element) {
        Element element = (Element) node;
        String suffix = "";
        if ("a".equals(element.tagName())) {
            suffix = " (is a link)";
        } else if ("b".equals(element.tagName())) {
            suffix = " (is bold)";
        }
        System.out.println(counter++ + ") " + element.ownText() + suffix);
    }
}

1)子文本1(是一个链接)< br> 2)自己的文本1
3)子文本2(粗体)< br> 4)自己的文本2