Java中使用JSoup按输入框SIZE属性解析HTML的问题

我需要解析系统生成的HTML格式错误文件，目标提取三类数据：

• 时间戳（对应HTML里的<h4>标签）
• 与Set对应的SIZE=3输入框的值
• 与Id对应的SIZE=5输入框的值

用JSoup处理时，时间戳能正常提取，但获取Set和Id值时直接抛出了数组越界异常。相关代码如下：

Document doc = Jsoup.parse(errorLog, "UTF-8", "");
Element body = doc.body();
Elements MessageTimestamps = doc.select("h4");
Elements MessageSets = doc.getElementsByAttributeValue("SIZE", "3");
Elements MessageID = doc.getElementsByAttributeValue("SIZE","5");
String[] timestampArray = new String[MessageTimestamps.size()];
System.out.println("Total: " + timestampArray.length);
for(int i = 0; i< MessageTimestamps.size(); i++) {
    System.out.println("Timestamp: " + MessageTimestamps.get(i).text());
    System.out.println("MessageSets: " + MessageSets.get(i).text());
}

执行后得到的结果：

Total: 6
Timestamp: 2020-07-16 10:24:22.614
java.lang.IndexOutOfBoundsException: Index: 0, Size: 0

问题分析 #

从报错信息能直接看出来：MessageSets的元素数量是0，也就是JSoup根本没找到任何带有SIZE="3"属性的元素，但你循环的次数是时间戳的数量（6次），第一次循环就去取MessageSets.get(0)，自然触发越界。

解决步骤 #

1. 先排查HTML属性的大小写匹配

HTML的属性名本身不区分大小写，但JSoup的getElementsByAttributeValue方法是大小写敏感的。如果你的HTML里输入框的属性是小写的size="3"（这是更常见的写法），那你用大写的"SIZE"去匹配就会找不到元素。

改成和HTML实际属性一致的写法，比如用小写：

Elements MessageSets = doc.select("input[size=3]"); // 同时指定是input元素，避免匹配其他标签
Elements MessageID = doc.select("input[size=5]");

如果不确定属性大小写，可以用不区分大小写的匹配方式：

// 用CSS选择器的i标记（CSS4特性，Jsoup支持）
Elements MessageSets = doc.select("input[size=3 i]");

2. 增加空判断，避免越界

就算后续能找到元素，也不能保证时间戳和输入框的数量完全一致，所以循环里一定要先检查索引是否合法：

for(int i = 0; i< MessageTimestamps.size(); i++) {
    System.out.println("Timestamp: " + MessageTimestamps.get(i).text());
    
    // 检查是否存在对应索引的Set元素
    if (i < MessageSets.size()) {
        System.out.println("MessageSets: " + MessageSets.get(i).text());
    } else {
        System.out.println("MessageSets: 未找到对应元素");
    }
    
    // 同理检查Id元素
    if (i < MessageID.size()) {
        System.out.println("MessageID: " + MessageID.get(i).text());
    } else {
        System.out.println("MessageID: 未找到对应元素");
    }
}

3. 按HTML结构的对应关系提取（更可靠）

如果你的HTML里，每个时间戳和对应的Set/Id输入框是包裹在同一个父容器里的（比如每个消息项是一个<div>），那不要全局提取所有<h4>和所有size=3的输入框，而是先找到每个消息容器，再在容器内提取对应元素，这样能保证对应关系正确：

// 替换成你实际的消息容器选择器，比如每个消息项的类名是message-item
Elements messageItems = doc.select(".message-item");
for (Element item : messageItems) {
    // 在当前容器内找时间戳
    String timestamp = item.selectFirst("h4").text();
    // 在当前容器内找size=3的输入框
    String setValue = item.selectFirst("input[size=3]") != null ? item.selectFirst("input[size=3]").text() : "无值";
    // 在当前容器内找size=5的输入框
    String idValue = item.selectFirst("input[size=5]") != null ? item.selectFirst("input[size=5]").text() : "无值";
    
    System.out.println("Timestamp: " + timestamp);
    System.out.println("MessageSets: " + setValue);
    System.out.println("MessageID: " + idValue);
}

这种方式能避免全局提取时元素顺序不匹配的问题，比按索引一一对应更可靠。

内容的提问来源于stack exchange，提问作者Ron