用于html标记内容提取的Scala字符串模式匹配

Question

中获取的HTML页面

val html = io.Source.fromURL("http://example.org/aPage.html").mkString()

如何提取包装在给定标签中的内容？为了说明这一点，例如，考虑到这个HTML片段和标记<textarea>，

val html = "<p>Marginalia</p> 
            <textarea rows="3" cols="10">Contents of interest"</textarea 
            <p>More marginalia</p>"

如何获得"Contents of interest"？

Answer 1

有两种简单的方法可以做到：

Scala

将Scala依赖项添加到项目中：

libraryDependencies += "org.scala-lang.modules" %% "scala-xml" % "1.0.3"

现在，您可以解析HTML代码并选择所有textarea标记。

import scala.xml.XML
val htmlXml = XML.loadString(html)
val textareaContents = (htmlXml \\ "textarea").text

如果HTML是有效的，并且希望执行多个XPath查询，那么这可能是更好的方法。还可以查看这个博客以获得更多关于\\的含义或如何使用Scala库的信息。

雷吉普

另一种简单的方法是定义正则表达式并找到匹配：

val regex = "<textarea.*>(.+)</textarea>".r
regex.findAllIn(html).map {
  match => // process match
}