从html元素中抓取数据
我正在使用JSoup，这是纯Java中的一个HTML解析器库，从互联网上提取和解析纯HTML页面（当然，只有很少的JS）。到目前为止，如果我想要刮取的数据附加到非常详细的HTML元素（如
我可以得到
<span class="myclass">...</span>
<p>something.....</p>
<!-- We are back in the body here according to chrome devtools -->
Data1: some data here...
Data2: more data here...
...
<!-- We get a similar pile of HTML here except with different data in the span and p tags -->
<span class="myclass">...</span>
<p>something.....</p>
<!-- We are back in the body here according to chrome devtools -->
Data1: some data here...
Data2: more data here...
因此，我的问题是如何使用DOM树高效地获取数据*，或者可能我在这个问题陈述中遗漏了明显的内容，因为我无论如何都不是web开发人员，这只是一个爱好项目。
我有一些想法：预处理超文本标记语言，在这些周围放置某种标记，我可以使用JSoup轻松地拉取（如）
共有1个答案
我做了和你一样的事情，我发现它是更好的混合与超文本标记语言清理JSoup，基本上你需要超文本标记语言清理为了得到你的dom树，然后你可以使用JSOP
-
网页爬取 编写网页需要使用 HTML 语言，如果你有 HTML 学习经历就能知道所谓 HTML 语言就是一种规格化文档。有时我们能很方便的从中获取一些需要的数据，并且保持数据原有格式，如 csv 、json 等格式。但有时网站并不会提供一目了然的数据格式。 所以我们就需要爬取网页。网页爬取就是通过电脑程序编写，从不同的网页中去删选、挖掘你需要的数据，并且保存数据相应的格式。 网页请求（ Reque
-
我正在尝试使用preg_match当前只检索1个值（在我开始检索多个值之前），但是，我没有运气。执行print_r（）时，数组中没有存储任何内容。 以下是我目前正在尝试的代码： 所需输出： 我的上述代码不起作用。在这方面的任何帮助都将不胜感激。提前感谢。
-
问题内容： 我一直在使用正则表达式在PHP中进行HTML抓取。这是可行的，但结果是挑剔和脆弱的。有没有人使用过提供更强大解决方案的软件包？配置驱动的解决方案将是理想的选择，但我并不挑剔。 问题答案： 从页面抓取HTML后，我将推荐PHP简单HTMLDOM解析器。它支持无效的HTML，并提供了一种非常简单的方法来处理HTML元素。
-
问题内容： 试图在页面上找到链接。 我的正则表达式是： 但似乎失败了 我该如何更改我的正则表达式以处理未置于a标签首位的href？ 问题答案： 可靠的HTML正则表达式很困难。这是使用DOM的方法： 上面将找到并输出字符串中所有元素的“outerHTML”。 要 获取 节点的所有文本值，请执行以下操作 要 检查 是否属性存在，你可以做 为了 获得 该你做的属性 要 更改 的属性，你会怎么做 要 删
-
问题 在解析获得一个Document实例对象，并查找到一些元素之后，你希望取得在这些元素中的数据。 方法 要取得一个属性的值，可以使用Node.attr(String key) 方法 对于一个元素中的文本，可以使用Element.text()方法 对于要取得元素或属性中的HTML内容，可以使用Element.html(), 或Node.outerHtml()方法 示例： String html =
-
问题内容： 您如何从内获得一个？ 问题答案： var iframe = document.getElementById(‘iframeId’); var innerDoc = (iframe.contentDocument) ? iframe.contentDocument : iframe.contentWindow.document; 您可以更简单地写： 并将返回第一个有效的内部文档。 一旦获