Jsoup：在无 CSS 的 HTML 中提取两个块之间的所有 HTML

Posted 2023-02-24

【中文标题】Jsoup：在无 CSS 的 HTML 中提取两个块之间的所有 HTML

【英文标题】：Jsoup: Extract all HTML between two blocks in CSS-less HTML

【发布时间】：2011-11-10 06:54:15

【问题描述】：

使用 Jsoup 提取符合此模式的两个块之间的所有 html（到字符串、文档或元素）的最佳方法是什么：

<strong>
 any HTML could appear here, except for a <strong> pair
</strong>

 ...
 This is the HTML I need to extract. 
  any HTML could appear here, except for a <strong> pair
 ... 

<strong>
 any HTML could appear here, except for a <strong> pair
</strong>

如果我在整个 body.html() 上应用正则表达式，这可能很简单：

(<strong>.+</strong>)(.+)(<strong>.+</strong>)
                       ^
                       +----- There I have my HTML content

但正如我从similar challenge 中了解到的那样，如果我使用已经 Jsoup 解析的 DOM，性能可能会有所提高（即使代码稍长）——除了这次 Element.nextSibling() 和 Element.nextElementSibling() 都不能来救援。

例如，我在 Jsoup 中搜索了类似 jQuery 的 nextUntil 的东西，但实际上找不到类似的东西。

是否有可能提出比上述基于正则表达式的方法更好的方法？

【问题讨论】：

从 DOM 中提取的 HTML 是否与原始字符串不同有关系吗？因为通常像 jsoup 这样的 HTML 清理器可以更改（修复）DOM，因此后续的 DOM->HTML 转换将导致字符串与您的原始字符串不同。在这些情况下，正则表达式可能更安全。

为什么不干脆用jsoup的select方法把所有元素都提取出来，然后把第一个和最后一个扔掉？

这个怎么样：***.com/questions/6534456/…

这两个 是兄弟姐妹吗？

【参考方案1】：

我不知道它是否更快，但也许这样的东西会起作用：

Elements strongs = doc.select("strong");
Element f = strongs.first();
Element l = strongs.last();
Elements siblings = f.siblingElements();
List<Element> result = siblings.subList(siblings.firstIndexOf(f) + 1,siblings.lastIndexOf(l));