如何在Java/Android Studio中解析application/ld+json提取datePublished字段

常见提取失败的核心原因是没有先解析HTML定位到对应标签，直接用字符串匹配易被源码中的换行、多余空白字符干扰，可按以下步骤实现：

• 发送请求时添加符合浏览器规范的User-Agent请求头，避免网站反爬机制返回残缺页面内容
• 用HTML解析器定位type="application/ld+json"的script标签，不要直接对全页源码做字符串匹配
• 提取标签内文本后先清除首尾空白字符，再转换为JSON对象读取目标字段

以下是Python环境的实现示例：

import requests
from bs4 import BeautifulSoup
import json

# 替换为目标页面地址
url = "目标页面URL"
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36"
}

response = requests.get(url, headers=headers)
soup = BeautifulSoup(response.text, "html.parser")

# 定位ld+json标签
ld_json_tag = soup.find("script", type="application/ld+json")
if ld_json_tag:
    # 清理内容后转JSON
    json_str = ld_json_tag.text.strip()
    ld_data = json.loads(json_str)
    # 提取目标字段
    date_published = ld_data.get("datePublished")
    print(date_published)
else:
    print("未找到目标ld+json标签")

若目标页面是前端动态渲染的，需改用Selenium、Playwright等支持浏览器渲染的工具加载完整页面后再执行提取操作，避免静态请求无法获取到嵌入的JSON结构。
部分页面的ld+json可能包含多组JSON组成的数组，解析前可先打印清理后的字符串确认结构，再对应调整解析逻辑。

内容的提问来源于stack exchange，提问作者TLGINO