使用JSoup解析HTML时如何过滤格式标签提取指定纯文本值

import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import org.jsoup.Jsoup;

// 省略其他业务代码
Document document = Jsoup.parse(htmlContent);
Material material = new Material();
// 直接选中内层的属性table，避免和外层table混淆
Elements propertyRows = document.select("table table tr");

for (Element row : propertyRows) {
    Elements cols = row.select("td");
    // 处理当前行第一列
    if (cols.size() >= 1) {
        Element col = cols.get(0);
        Element label = col.selectFirst("b");
        String key = label.text().trim();
        String value = label.nextSibling().toString().trim();
        switch (key) {
            case "Origin:":
                material.setOrigin(value);
                break;
            case "Supplier:":
                material.setSupplier(value);
                break;
            case "Type:":
                material.setType(value);
                break;
        }
    }
    // 处理当前行第二列
    if (cols.size() >= 2) {
        Element col = cols.get(1);
        Element label = col.selectFirst("b");
        String key = label.text().trim();
        String value = label.nextSibling().toString().trim();
        switch (key) {
            case "Count:":
                material.setCount(value);
                break;
            case "Must Burninate:":
                material.setBurninate("Yes".equals(value));
                break;
            case "Add Afterwards:":
                material.setAddAfterwards("Yes".equals(value));
                break;
        }
    }
}
// 提取name字段
material.setName(document.selectFirst("h2").text().trim());

方法2：文本分割（更简洁） #

如果你的场景下属性标签永远不会包含冒号，可以直接把td的全文本按冒号分割为两部分，取第二部分修剪后即可得到值：

// 替换掉原代码中取值的逻辑即可
String fullText = col.text();
String value = fullText.split(":", 2)[1].trim();

两种方法都可以兼容Supplier这种值为空的场景，不会抛出异常。

内容的提问来源于stack exchange，提问作者hotmeatballsoup