例如:
<div>
this is first
<div>
second
</div>
</div>
我正在从事自然语言处理,我必须翻译一个网站(而不是使用谷歌翻译(,我必须分别提取"这是第一个"one_answers"第二个"这两个句子,这样我就可以在各自的div中用其他语言文本替换它们。如果我第一次提取文本,它将显示"这是第一秒",如果我使用递归深入挖掘,它将只提取"第二秒">
请帮帮我!
编辑
使用ownText((方法将在以下html代码中产生问题:
<div style="top:+0.2em; font-size:95%;">
the
<a href="/wiki/Free_content" title="Free content">
free
</a>
<a href="/wiki/Encyclopedia" title="Encyclopedia">
encyclopedia
</a>
that
<a href="/wiki/Wikipedia:Introduction" title="Wikipedia:Introduction">
anyone can edit
</a>
.
</div>
它将打印:
那个。
免费
百科全书
任何人都可以编辑
但必须是:
百科全书
任何人都可以编辑
如果我第一次提取文本,它将显示"这是第一秒">
使用ownText()
而不是text()
,您将直接获得仅包含的元素。
这里有一个例子:
final String html = "<div>n"
+ " this is firstn"
+ " <div>n"
+ " secondn"
+ " </div>n"
+ "</div>";
Document doc = Jsoup.parse(html); // Get your Document from somewhere
Element first = doc.select("div").first(); // Select 1st element - take the first found
String firstText = first.ownText(); // Get own text
Element second = doc.select("div > div").first(); // Same as above, but with 2nd div
String secondText = second.ownText();
System.out.println("1st: " + firstText);
System.out.println("2nd: " + secondText);
您可以使用任何语言的XML解析器。这是针对Java的:http://www.mkyong.com/java/how-to-read-xml-file-in-java-dom-parser/
您似乎在div中使用textContent来提取内容,这将获得该元素的内容以及所有派生元素。(Java:这将是Element上的getTextContent方法(
相反,检查childNodes(Element上的Java:getChildNodes方法(。节点有一个属性"nodeType"(Java:getNodeType(,您可以查看该属性来确定节点是Text node(Java:node.Text_node(还是Element(Java:node.Element_node。。。
div (Element)
this is first (TextNode)
div (Element)
second (TextNode)
外部div直接只包含两个节点-第一段文本和内部div。然后,内部div包含文本"second"。
因此,在外部div中的节点上循环,如果节点是文本节点,则translate,否则递归到Element中。请注意,还有其他类型的节点、Comments等,但出于您的目的,您可能会忽略它们。
假设您使用的是w3cDOM APIhttp://docs.oracle.com/javase/7/docs/api/org/w3c/dom/Node.html
Elements divs=doc.getElementsByTag("div");
for (Element element : divs) {
System.out.println(element.text());
}
如果您使用的是jsoup HTML解析器,这应该会起作用。