从html表中提取格式时遇到了问题

Question

<tr>

<th align="LEFT" bgcolor="GREY"> <span class="smallfont">Higher-order 
Theorems</span>

</th><th bgcolor="PINK"> <em><a href="\ 
[http://www.tptp.org/CASC/J9/SystemDescriptions.html#Satallax---3.2\] 
(http://www.tptp.org/CASC/J9/SystemDescriptions.html#Satallax-- 
-3.2)">Satallax</a><br><span class="xxsmallfont">3.2</span></em>

</th><th bgcolor="SKYBLUE"> <a href="\ 
[http://www.tptp.org/CASC/J9/SystemDescriptions.html#Satallax---3.3\] 
(http://www.tptp.org/CASC/J9/SystemDescriptions.html#Satallax-- 
-3.3)">Satallax</a><br><span class="xxsmallfont">3.3</span>

</th><th bgcolor="LIME"> <a href="\ 
[http://www.tptp.org/CASC/J9/SystemDescriptions.html#Leo-III---1.3\] 
(http://www.tptp.org/CASC/J9/SystemDescriptions.html#Leo-III-- 
-1.3)">Leo‑III</a><br><span class="xxsmallfont">1.3</span>

</th><th bgcolor="YELLOW"> <a href="\ 
[http://www.tptp.org/CASC/J9/SystemDescriptions.html#LEO-II---1.7.0\] 
(http://www.tptp.org/CASC/J9/SystemDescriptions.html#LEO-II-- 
-1.7.0)">LEO‑II</a><br><span class="xxsmallfont">1.7.0</span>

</th></tr>

因此，假设我想提取bgcolor、对齐和包含在span类中的内容。例如灰，左，高阶定理。

如果我只想提取最起码的bgcolor，但理想情况下，所有3，我会怎么做呢？

所以我试着提取bgcolor和

我已经尝试过doc.select(“tr:bgcolor(Bgcolor)”)、doc.select(th、[bgcolor)、doc.select(bgcolor)、doc.select(tr:containsdata(bgcolor) )以及doc.select(style)，它们都没有返回输出或返回一个解析错误。我可以很好地提取span类中的内容，但更多的问题是提取bgcolor和对齐。

Answer 1

您只需将想要丢弃的HTML代码解析为JSOUP，然后使用attr选择器从JSOUP元素中选择HTML标记的属性，这将为HTML中的每个th标记提供该属性的值。要检索span标记之间包含的文本，您需要在th中选择嵌套的span并获取.text()。

    Document document = Jsoup.parse(YOUT HTML GOES HERE);
    System.out.println(document);
    Elements elements = document.select("tr > th");

    for (Element element : elements) {
        String align = element.attr("align");
        String color = element.attr("bgcolor");
        String spanText = element.select("span").text();

        System.out.println("Align is " + align +
                "\nBackground Color is " + color +
                "\nSpan Text is " + spanText);
    }

任何进一步的信息，请随时问我！希望这能帮到你！

对评论的最新答复：

要做到这一点，您需要在for每个循环中使用这一行：

String fullText = element.text();

这样，您就可以获得所选元素标记之间包含的所有文本，但是您应该查找这个博客并将您想要的查询放入其中。我猜您还需要检查字符串是否为空，并使用if条件对每种可能的情况执行单独的查询。

这意味着有一个用于此结构：tr > th > span，另一个用于此结构：tr > th > em，另一个用于：tr > th。