代码之家 › 专栏 › 技术社区 › Sudhir Tiwari

如何使用正则表达式在jsoup文档中获取电话号码

jsoup web-scraping java

Sudhir Tiwari · 技术社区 · 7 年前

http://www.wellclean.com/ 我在打印文档时检查了文档中包含的电话号码。

String regex_num = "^\\+?[0-9. ()-]{10,25}$";
Pattern pattern = Pattern.compile(regex_num);
Document doc  = Jsoup.connect(url)
        .userAgent("Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0")
        .maxBodySize(0)
        .timeout(600000)
        .get();

Elements Phone_Num=doc.getElementsMatchingOwnText(pattern);// match regex in doc
if(!Phone_Num.isEmpty()) // if phone number exist
{
    System.out.println("Phone number found!");
    for(Element e : Phone_Num)
    {
        PNUM=PNUM+e.text().toString()+" & "; // store all phone number seperated by &
    }

}

当我打印文档时,它包含以下格式的电话号码

<div class="contact_address">
     <div class="contact_column_1">
      2261 N. Clybourn Ave.
    <br> Chicago, IL 60614
    <br> Ph: (773) 348.2226
    <br> 
    <a href="http://maps.google.com/maps?q=2261+N.+Clybourn+Ave.Chicago,+IL+60614&amp;hl=en&amp;sll=41.923214,-87.666462&amp;sspn=0.014417,0.029268&amp;gl=us&amp;hnear=2261+N+Clybourn+Ave,+Chicago,+Cook,+Illinois+60614&amp;t=m&amp;z=17" target="_new"><img src="/wp-content/themes/artgallery_3.0/images/map.png" alt="map"></a>
    <br> Hours:
    <br> M-S 7:30am â 7:00pm
    <br> Sun 9:00am â 5:00pm
   </div> 
   <div class="contact_column_2">
    &nbsp;
    <br>&nbsp;
</div>

2 回复 | 直到 7 年前

Szymon Stepniak 7 年前

它与给定的HTML不匹配,因为您的模式 ^\\+?[0-9. ()-]{10,25}$ 有包含完全匹配给定模式的主体。因为你用过 ^ $

此图案与

Document.getElementsMatchingOwnText(Pattern pattern)

<br> Ph: <span>(773) 348.2226</span>

如何解决?

在这种情况下,您必须更新模式,以允许电话号码只是身体一部分的匹配元素:

\\+?[0-9. ()-]{10,25}

e.text() 退货

2261 N. Clybourn Ave. Chicago, IL 60614 Ph: (773) 348.2226 Hours: M-S 7:30am â 7:00pm Sun 9:00am â 5:00pm

因为这是一个全文 <div class="contact_column_1"> 要素在这种情况下,您必须使用相同的模式提取电话号码,例如:。

for(Element e : Phone_Num)
{
    Matcher matcher = pattern.matcher(e.text());
    if (matcher.find()) {
        PNUM += matcher.group(0).trim() + " & "; // store all phone number seperated by &
    }
}

Luk 7 年前

我认为你必须处理你的正则表达式。

<tag>(773) 348.2226</tag>.

<div class="contact_column_1">