(这是在大多数情况下按预期实现和工作的。)
有一种情况会失败:
<div someattribute="somevalue"=""></div>
<div someattribute="somevalue" =""=""></div>
"=""
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!? 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 "/>".
答案 0 :(得分: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。
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"