一尘不染

从HTML Java提取文本

html

我正在开发一个程序,该程序可以下载HTML页面,然后选择一些信息并将其写入另一个文件。

我想提取段落标签之间的信息,但是我只能获得段落的一行。我的代码如下:

FileReader fileReader = new FileReader(file);
BufferedReader buffRd = new BufferedReader(fileReader);
BufferedWriter out = new BufferedWriter(new FileWriter(newFile.txt));
String s;

while ((s = br.readLine()) !=null) {
    if(s.contains("<p>")) {
        try {
            out.write(s);
        } catch (IOException e) {
        }
    }
}

我试图添加另一个while循环,这样可以告诉程序继续写入文件,直到该行包含该

标记为止;

while ((s = br.readLine()) !=null) {
    if(s.contains("<p>")) {
        while(!s.contains("</p>") {
            try {
                out.write(s);
            } catch (IOException e) {
            }
        }
    }
}

但这是行不通的。有人可以帮忙。


阅读 716

收藏
2020-09-25

共1个答案

一尘不染

so

我真正喜欢使用的另一个html解析器是jsoup。您可以

在2行代码中获得所有元素。

Document doc = Jsoup.connect("http://en.wikipedia.org/").get();
Elements ps = doc.select("p");

然后再将其写到文件中

out.write(ps.text());  //it will append all of the p elements together in one long string

或者,如果您希望它们位于单独的行中,则可以遍历元素并将其分别写出。

2020-09-25