使用Java和jsoup解析特定的HTML代碼

Question

我一直在思考如何實現一個邏輯來解析這段代碼，我有。我目前正在使用jsoup，Java和Android。

基本結構顯示（一個我正在尋找）：

22:48 爲url1：隨機消息

22:44 URL2：更隨機的消息！

的代碼（存儲在Element對象，這是由jsoup提供）：

22:48 
<strong> <a href="www.randomUrl.com">url1</a>:</strong> Random message.22:44 
<strong> <a href="www.randomUrl.com">url2</a>:</strong> Even more random message!22.42 
<strong> <a href="www.randomUrl.com">url3</a>:</strong> This is a dumb message9922.20 
<strong> <a href="www.randomUrl.com">url4</a>:</strong> This is a dumb message3 

我多麼希望它被 「清理」：

22:48 <strong> <a href="www.randomUrl.com">url1</a>:</strong> Random message. 
22:44 <strong> <a href="www.randomUrl.com">url2</a>:</strong> Even more random message! 
22.42 <strong> <a href="www.randomUrl.com">url3</a>:</strong> This is a dumb message99 
22.20 <strong> <a href="www.randomUrl.com">url4</a>:</strong> This is a dumb message3 

我當然不記住一行節省時間，url和消息到一些專用的數組列表，然後刪除html。但我期待着聽到你將如何處理這種解析。由於問題是隨機消息可以是任何類型的字符串，這意味着它可以包含一個時間（22:33）。所以我不能通過基於時間的正則表達式來分隔行。

我在想，如果正確的做法是通過同時使用時間和強元素來解析它，因爲強元素似乎總是開始一個新行。

謝謝！

Answer 1

JSoup是一個非常有價值的圖書館。然而，如果沒有明確的開始和結束標籤進行明確的界定，部分文本的猥褻改變就不容易實現。

因爲所有你討厭的時間戳似乎總是跟着一個<強>標籤，你可以匹配所有序列中刪除時間「TIME（最終其次是空格）<強>」。

這可以用一個相當簡單的regex String.replaceAll來完成：

html = html.replaceAll("(\\d{2}[:\\.]\\d{2})(\\s*<strong>)","$2"); 

Answer 2

字符串Z = s.replaceAll（「（\\ d {2} [：\\] \\ d {2- }）\\ s * [\ n \ r] \\ s *「，」\ n $ 1「）.trim（）;