JSoup解析属性=“值”=“”

Question

我的用例

1. 从网站下载 HTML 文件
2. 用JSoup解析
3. 使用 JSoup 将其转换为有效的 XML
4. 使用 XPath (javax.xml.xpath) 从该 XML 文档中读取元素和属性

（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：

1. 源 HTML 文件包含这样的无效内容 <div someattribute="somevalue"=""></div>
2. JSoup 将其转换为同样无效的字符串 <div someattribute="somevalue" =""=""></div>
3. XPath 无法解析无效的 JSoup 输出 XML。

问题和解决方法

1. 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？
2. 是否可以给 XPath 一个提示，以便它解析无效输入（=JSoup 输出）？
3. 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 "/>".

Answer 1

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。

请参阅 org.jsoup.helper.W3CDom

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"