用Java提取html代码

Question

我从Facebook上下载了我的个人数据，我想我可以用它做一些有趣的事情。我正在尝试提取我拥有的特定群聊。

我使用的文件的大小是18 kB，所以它是很多html代码，在标签中没有任何id或任何有助于提取数据的东西。我所有聊天的唯一区别是涉及的人不同，所以这就是我开始检查的原因。

我正在使用Jsoup (http://jsoup.org/)来做这件事。文档的层次结构排序如下：

<div class="thread">
    <div class="message">
       <div class="message_header">
            <span class="user">user_name</span>
            <span class="meta"> date_when_said </span> 
       </div>
    </div>
       <p>user_said_something</p>
</div> //div class thread ends
<div class="thread"> //new group chat begins 

我开始只是计算聊天中的每个人说了多少次。

for(int i = 0; i < doc.select("div[class=thread]").size(); i++){
   if (doc.select("div[class=thread]").get(i).ownText().equals(chat_name)) {
         int children = doc.select("div[class=thread]").get(i).children()
                .size();
         int traverse = 0;

         while (traverse <= children) {
         
            switch (doc.select("span[class=user]").get(traverse).ownText()) {
                    case user_one:
                wordSaid[0] += 1;
                break;
            case user_two:
                wordSaid[1] += 1;
                break;
             }
         }
      }

我在这里所做的是，我首先使用for循环检查所有不同的聊天。然后，我检查该线程的文本是否等于我想要提取的聊天内容。如果是，那么我开始向下迭代该线程的所有子线程。

由于一个线程的子线程最多可以包含2000个子线程，这需要很长时间。

我很高兴对我所做的事情有任何建议或评论，这样我就可以改进这一点，使其具有可扩展性，也许还能找到一种聪明的方法来解决我的任务。

Answer 1

假设<span class="user">user_name</span>只发生在用户在聊天中说什么之前，你可以：

• 创建映射，关键字是用户名，值是用户对每个条目表示的所有用户条目的次数doc.select("span[class=user]")
  • 获取具有该用户名的映射条目如果该条目存在，则将该值递增1，否则创建该条目并将该值初始化为one

​

这种方法的优点是，您不必计算子文件的数量并遍历整个XML文件。