我如何使用Java解析來自html源代碼的特定信息

Question

我知道我的問題有很多主題，但我找不到有用的解決方案，我的答案。我可以連接到網站並逐行閱讀Java，現在這是我的問題。我想從html頁面解析特定的信息。此頁面包括5天的天氣預報。例如預測標籤的日期是這樣的;

//date of forecast 
< th id="ctl00_mpBody_thmGun1" class="arkaTrh">19 April</th> 

//Min weather: 
< td id="ctl00_mpBody_thmMin1" class="minS">8< /td> 

//Max weather 
< td id="ctl00_mpBody_thmMax1" class="maxS">17< /td> 

second day and others tags continue like this, 
< th id="ctl00_mpBody_thmGun2" class="arkaTrh">20 April</th> 
. 
. 
. 

根據這些標籤，我需要解析17年4月19日和8

Answer 1

您可以使用HtmlUnit。它是爲單元測試網頁而設計的，但您可以使用它來解析HTML代碼。你可以使用這樣的事情得到你的預測數據：

final WebClient webClient = new WebClient(); 
final HtmlPage page = webClient.getPage("http://url.to.your.data"); 

//get temperatures 
HtmlTableDataCell minTemp = page.getByXPath("//td[@class='minS']").get(0); 
HtmlTableDataCell maxTemp = page.getByXPath("//td[@class='maxS']").get(0); 
HtmlTableHeaderCell date = page.getByXPath("//th[@class='arkaTrh']").get(0); 

System.out.println("Forecast for " + date.asText() + " - Min: " + minTemp.asText() + ", Max: " + maxTemp.asText()); 

Answer 2

爲了愛上帝不要使用REGEX。我不知道有多少次必須在SO上重複。你會在一個痛苦的世界中結束。使用解析器，在Java中有可用的負載。下面是其中一些：

Jericho

Dom4j

htmlparser

但也有幾十個。只是谷歌「HTML解析器Java」或「Java DOM解析器」或東西。請。

Answer 3

你可以精心一些正則表達式是這樣的：

id="ctl00_mpBody_thmGun1"[^>]*?>(.*?)< 

但是，如果你想有一個更強大的解決方案，將是更好的消毒HTML，並選擇使用XPath數據： http://www.ibm.com/developerworks/library/x-javaxpathapi.html