用Java实现HTML数据抽取

Question

我有类似如下的HTML代码：

<tr><td >1    </td>
<td class="tab-links">Value 1</td>
</tr>
<tr><td >2    </td>
<td class="tab-links">Value 2</td>
</tr>
<tr><td >3    </td>
<td class="tab-links">Value 3</td>
</tr>
<tr><td >4    </td>
<td class="tab-links">Value 4</td>
</tr>

现在我想提取如下数据：

1 : Value 1
2 : Value 2
3 : Value 3
4 : Value 4

有什么想法吗？

Answer 1

正如在this post中所描述的，您不应该使用正则表达式来解析。

请改用XML/HTML解析器。

Answer 2

假设html格式良好，您可以使用HtmlUnit解析html。

如果只有一个表，您也可以编写自己的regular expression来处理页面，但我强烈建议您不要这样做，因为如果页面添加了其他表，则正则表达式可能会产生奇怪的结果，而使用HtmlUnit，您可以在开始解析或仅针对所需的表之前验证页面是否只有一个表。

Answer 3

http://htmlcleaner.sourceforge.net/

http://jsoup.org/

http://jericho.htmlparser.net/docs/index.html

是众所周知的用于java的html解析器。您可以使用它们中的任何一个。