如何只获取HTML页面的一部分？

Question

挑选出我通过 HttpClient4 从 Apache 和 Java 发出的请求获得的 Html 页面的一部分的最佳方法是什么？具体来说，我需要一个表格（它的内容）。
解释、示例或链接都很棒。

Answer 1

您可以做的是从响应中创建一个 DOM 对象，因为它应该是一个有效的文档。

做类似的事情

DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
DocumentBuilder builder = factory.newDocumentBuilder();
Document document = builder.parse(/* your input stream from response */);
Element tableElement = document.getElementById("the-table-id");

Answer 2

Adrian Rodriguez 的方法还不错，但不幸的是，它只有在 HTML 是 XHTML（即有效格式的 XML）时才有效。您可以使用名为 Web Harvest 的库（可在 sourceforge.net 上获取）以声明方式抓取页面并提取表，而不是编写代码来执行此操作。它还包括构建脚本中的各个阶段，用于根据需要清理页面。我强烈建议使用它，因为它将是一个更强大的解决方案，可以满足您的需求，特别是如果您将来需要抓取其他页面。