如何解决JSoup解析属性=“值”=“”
我的用例
(这是在大多数情况下按预期实现和工作的。)
问题/原因
有一种情况会失败:
- 源 HTML 文件包含这样的无效内容
<div someattribute="somevalue"=""></div>
- JSoup 将其转换为同样无效的字符串
<div someattribute="somevalue" =""=""></div>
- XPath 无法解析无效的 JSoup 输出 XML。
问题和解决方法
- 是否可以给 JSoup 一个提示,以便它为这个无效输入产生有效的输出?
- 是否可以给 XPath 一个提示,以便它解析无效输入(=JSoup 输出)?
- 是的,作为后备,我可以从 HTML 字符串中过滤掉无效的
"=""
并将其替换为"
,但是当有一个可以解析无效 HTML 的库时,为什么要自己这样做!?
技术细节
不幸的是,我想由 JSoup 解析的 HTML 文档包含类似以下代码段的内容:
<div someattribute="somevalue"=""></div>
使用此配置调用 JSoup ...
Document doc = Jsoup.parse(html);
doc.outputSettings().Syntax(Document.OutputSettings.Syntax.xml).charset(StandardCharsets.UTF_8);
String html = doc.html();
... 返回包含此代码段的 HTML 文档:
<div someattribute="somevalue" =""=""></div>
XPath 然后中止解析此文档并显示以下消息:
Auf Elementtyp "div" müssen entweder Attributspezifikationen,">" oder "/>" folgen.
在英语中是这样的:
Element type "div" must be followed by either attribute specifications,">" or "/>".
解决方法
jsoup 包含一个到 W3C DOM 模型的转换器,其中包括转换时的属性过滤。然后,您可以直接在该对象上运行 xpath 查询,这不仅有效,而且比序列化为 XML 然后重新解析它更有效。
的文档这是一个例子:
import org.w3c.dom.Document;
import org.w3c.dom.Node;
...
String html = "<div someattribute=\"somevalue\"=\"\"></div>";
org.jsoup.nodes.Document jdoc = Jsoup.parse(html);
Document w3doc = W3CDom.convert(jdoc);
String query = "//div";
XPathExpression xpath = XPathFactory.newInstance().newXPath().compile(query);
Node div = (Node) xpath.evaluate(w3doc,XPathConstants.NODE);
System.out.printf("Tag: %s,Attribute: %s",div.getNodeName(),div.getAttributes().getNamedItem("someattribute"));
(注意这里的 Document
和 Node
是 W3C DOM,而不是 jsoup DOM。)
这给了我们:
Tag: div,Attribute: someattribute="somevalue"
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。