java取html中的table_从一段html的table标签中按列提取信息

我们平时经常会遇到提取某个html中某个table的信息

比如

我们要提取出序号、登记编号、出质人等等。我的思路是先通过正则锁定该table，在通过Jsoup来按列解析内容。

我将提取信息的过程抽取出了一个方法，其中内含Jsoup和Regex

/**

* 从table中提取所有td的方法 返回一个list包含table中所有数据

*

* @param html

* 所要提取的html

* @param regex

* 要解析的table的正则

* @param tdNum

* 每个tr中的td个数

* @return List

* @author kfh

*/

public List extractTable(String html, String regex, int tdNum) {

ArrayList result = new ArrayList();

String content = this.getValue(html, regex);

// 如果开头缺失table标签，则补全之

if (!content.startsWith("

content = "

}

if (StringUtils.isEmpty(content)) {

logger.info("抓取table为空, 网页无相关信息或正则出错...");

return null;

} else {

Document table = Jsoup.parse(content);

if (table != null) {

Elements trs = table.select("tr:has(td)");

for (Iterator iterator = trs.iterator(); iterator.hasNext();) {

// 拿到第一个tr

Element tr = (Element) iterator.next();

// 得到tds

Elements tds = tr.select("td");

// 如果td的size正好等于tdNum

if (tds.size() == tdNum) {

for (int i = 0; i <= (tdNum - 1); i++) {

result.add(tds.get(i).text());

}

} else {

// 如果td的size 小于tdNum

for (int i = 0; i <= (tds.size() - 1); i++) {

result.add(tds.get(i).text());

}

}

}

}

return result;

}

}

☆说明：

if (!content.startsWith("

content = "

}

为什么会存在呢？是因为我从一个页面中唯一定位一个包含"股权出质信息"的table的时候需要的正则是像这样子的：

股权出质登记信息[\s\S]*?

是定位到包含"股权出质登记信息"作为th的唯一table ，所以我用jsoup解析的时候就手动将table标签的开始标签补齐了，返回的List包含table中所有的列