0

次の html コードを含む Web ページがあります。

....
<div class="some_class">Text I want 
   <span class="another_class">Text I don't want</span>
   ....more junk...
   ....a lot more junk....
</div>

getText() を呼び出そうとしました。これにより、必要のない他の多くのテキストを含む div 内のすべてのテキストが得られます。私の質問は次のとおりです。何らかの解析や部分文字列の抽出などに頼らずに、必要なテキストのみを取得するにはどうすればよいですか?

ありがとうございました！

4

1 に答える 1

0

これは JavaScript で行う必要があります。WebDriver (Firefox、Chrome など) がそれをサポートしている場合は、次のように実行できます。

public class Main
{

    //@formatter:off
    final static String JS_SCRIPT_GET_TEXT  = "var element = arguments[0];                                      " +
                                              "var text = '';                                                   " + 
                                              "for (var i = 0; i < element.childNodes.length; i++)              " + 
                                              " if (element.childNodes[i].nodeType === Node.TEXT_NODE)          " + 
                                              " {                                                               " + 
                                              "   text += element.childNodes[i].textContent + ' ';              " +
                                              " }                                                               " + 
                                              "return text;                                                     ";
    //@formatter:on

    public static void main(final String[] args)
    {
        final FirefoxDriver driver = new FirefoxDriver();

        driver.get("http://en.wikipedia.org/wiki/HTML");

        final List<WebElement> findElementsByCssSelector = driver.findElementsByCssSelector("#mw-content-text div");

        final WebElement webElement = findElementsByCssSelector.get(0);

        final String extractInnerText = extractInnerText(webElement, driver);

        System.out.println("---------------------");
        System.out.println("Seleniums .getText():\n" + webElement.getText());

        System.out.println("\n\n---------------------");
        System.out.println("Just the node text:\n" + extractInnerText);

    }

    public static String extractInnerText(final WebElement webElement, final WebDriver webDriver)
    {
        final JavascriptExecutor javascriptExecutor = (JavascriptExecutor) webDriver;

        String webElementText = (String) javascriptExecutor.executeScript(JS_SCRIPT_GET_TEXT, webElement);
        webElementText = webElementText.trim();

        return webElementText;
    }
}

この例の Html の場合:

<div class="dablink">
    For the use of HTML on Wikipedia, see
    <a href="/wiki/Help:HTML_in_wikitext" title="Help:HTML in wikitext">Help:HTML in wikitext</a>
    .
</div>

それはあなたを印刷します：

---------------------
Seleniums .getText():
For the use of HTML on Wikipedia, see Help:HTML in wikitext.


---------------------
Just the node text:
For the use of HTML on Wikipedia, see  .

それが必要だと思います。extractInnerText(..)メソッドをすべての Web 要素に適用できます。

于 2013-09-08T16:25:01.333 に答える