用Jsoup解析XML

Question

我得到了以下XML，它表示一篇新闻文章：

<content>
   Some text blalalala
   <h2>Small subtitle</h2>
   Some more text blbla
   <ul class="list">
      <li>List item 1</li>
      <li>List item 2</li>
   </ul>
   <br />
   Even more freakin text
</content>

我知道格式并不理想，但现在我必须接受它。

该条应如下所示：

• 一些文字
• 小字幕
• 带有项目的列表
• 更可怕的文字

我用Jsoup解析这个XML。我可以在<content>标记中使用doc.ownText()获取文本，但是我不知道其他内容(字幕)放在哪里，我只能得到一个大的String。

为此使用基于事件的解析器更好(我讨厌它们:()，还是有可能做一些类似doc.getTextUntilTagAppears("tagName")的事情？)

编辑:为了澄清，我知道<content>下的元素很热，我的问题是在<content>中获取文本，每次被元素打断时都会被分解。

我了解到，我可以用.textNodes()获取所有内容中的文本，效果很好，但我还是不知道文章中哪个文本节点属于哪里(一个在h2之前位于顶部，另一个位于底部)。

Answer 1

我犯的错误是Elements通过了XML，其中不包括TextNodes。当我按节点进行检查时，我可以检查Node是Element还是TextNode，这样我就可以相应地对待它们。

Answer 2

Jsoup有一个非常棒的基于选择器的语法。See here

如果你想要字幕

Document doc = Jsoup.parse("path-to-your-xml"); // get the document node

您知道字幕在h2元素中

Element subtitle = doc.select("h2").first();  // first h2 element that appears

如果你想要的话：

Elements listItems = doc.select("ul.list > li");
for(Element item: listItems)
    System.out.println(item.text());  // print list's items one after another