java - 如何从html表及其内部表中提取数据？

我有一个html表结构，在主表中有一些数据，在td元素内的嵌套表中有一些数据。

我只需要所需的5个数据（带有** xx **的指示），因此我可以将其作为一行导出到Excel。

<table cellpadding="2" cellspacing="0" width="100%" class="chart">
              <tr>
              <td>**Text 1**</td>
                <td>
                  <table cellpadding="2" cellspacing="0">
                    <tr>
                      <td>some useless data</td>
                      <td>**Text 2**</td>
                    </tr>
                  </table>
                </td>
                <td>**Text 3**</td>
                <td>**Text 4**</td>
                <td>**Text 5**</td>
              </tr>
</table>

我的代码是这样的：

    for (Element row : excel.select("tr")) {
        // create row for each tag
        header = sheet.createRow(rowCount);
        // loop through all th tag
        Elements ths = row.select("th");
        int count = 0;
        for (Element element : ths) {
            // set header style
            cell = header.createCell(count);
            cell.setCellValue(element.text());
            cell.setCellStyle(headerStyle);
            count++;
        }
        // now loop through all td tag
        Elements tds = row.select("td");
        count = 0;
        for (Element element : tds) {
            if(!element.text().isEmpty()){
                cell = header.createCell(count);
                cell.setCellValue(element.text());
                count++;
                }
        }

这里的问题是输出不符合预期。

在Excel中看起来像这样：

  Row1:  Text 1 | Text 2 | useless data | Text 2 | Text 3 | Text 4 | Text 5 |
  Row2:  useless data | Text 2 |

附加信息：为简化问题，省略了标签。

我想要的是

 Row1:  Text 1 | Text 2 | Text 3 | Text 4 | Text 5 |

最佳答案

1.两排

我猜excel是文档还是表格。无论如何，当您选择
excel.select("tr")您还将选择内部表tr。为了防止这种情况，您需要使css选择器更加具体。如果我假设excel是文档，则可以这样做

Elements outerTrs = excel.select("table.chart>tbody>tr");

在您的代码的上下文中：

for (Element row : excel.select("table.chart>tbody>tr")) {

说明：
如果不存在，Jsoup将在表内创建一个tbody元素。使用选择器，我确保仅选择直接子tr外部表的元素，我可以执行此操作，因为我知道外部表的类名，并且它看起来是唯一的。

2.意外的列数

这是因为您的select row.select("td")语句选择了包含内部表的td。如果只希望没有子元素的tds，则可以使用以下命令：

Elements tds = row.select("td");
count = 0;
for (Element element : tds) {
if(!element.text().isEmpty() && element.children().isEmpty()){
    count++;
    System.out.println("line "+count+" text = '"+element.text()+"'");
}

3.无用数据

要摆脱这种情况，您只需要过滤掉它即可。从您的示例尚不清楚何时存在无用数据。它始终是内部表中的第一个td吗？如果是这样，您可以执行此操作（完整解决方案）

Document excel = Jsoup.parse(tab);

for (Element row : excel.select("table.chart>tbody>tr")) {
    Elements tds = row.select("td");
    int count = 0;

    Element junkTd = row.select("td table td").first();

    for (Element element : tds) {
        if(!element.text().isEmpty()
                && element.children().isEmpty()
                && !element.equals(junkTd)){

            count++;
            System.out.println("line "+count+" text = '"+element.text()+"'");
        }
    }
}

关于java - 如何从html表及其内部表中提取数据？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/31761562/