使用jsoup解析保留非HTML元素
我是jsoup的新手，在使用非HTML元素（脚本）时遇到了一些困难。我有以下HTML：
<$if not dcSnippet$>
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="generator" content="Outside In HTML Converter version 8.4.0"/>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
<title></title>
</head>
<$endif$>
<div style="position:relative">
<p style="text-align: left; font-family: times; font-size: 10pt; font-weight: normal; font-style: normal; text-decoration: none"><span style="font-weight: normal; font-style: normal">This is a test document.</span></p>
</div>
<$if not dcSnippet$>
</body>
</html>
<$endif$>
用于显示这一点的应用程序知道如何处理
<html xmlns="http://www.w3.org/1999/xhtml"><head></head><body><$if not dcSnippet$>
<meta http-equiv="generator" content="Outside In HTML Converter version 8.4.0">
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
<title></title>
<$endif$>
<div style="position:relative">
<p style="text-align: left; font-family: times; font-size: 10pt; font-weight: normal; font-style: normal; text-decoration: none"><span style="font-weight: normal; font-style: normal">This is a test document.</span></p>
</div>
<$if not dcSnippet$>
<$endif$>
</body></html>
我的最终目标是添加一些css和js包含，并修改几个元素属性。那真的不是问题，我已经解决了那么多了。问题是我不知道如何保留非HTML元素，并将格式与原始格式保持在同一位置。到目前为止我的解决方案是这样的：
- 读取HTML文件，然后遍历该文件，删除包含非HTML元素的行。
- 使用纯HTML创建文档对象
- 进行修改
- 返回HTML并重新插入我首先删除的非HTML元素（脚本）。
- 将文档保存到文件系统
只要非HTML的放置是可预测的，现在就可以这样做，到目前为止也是这样。但是我想知道是否有更好的方法来实现这一点，这样我就不必先‘清理’HTML然后手动重新引入我后来删除的内容。以下是我的代码要点（希望我没有错过太多声明）：
String newLine();
FileReader fr = new FileReader(inputFile);
BufferedReader br = new BufferedReader(fr);
while ((thisLine = br.readLine()) != null) {
if (thisLine.matches(".*<\\$if.*\\$>")) {
ifStatement = thisLine + "\n";
} else if (thisLine.matches(".*<\\$endif\\$>")) {
endifStatement = thisLine + "\n";
} else {
tempHtml += thisLine + "\n";
}
}
br.close();
Document doc = Jsoup.parse(tempHtml, "UTF-8");
doc.outputSettings().prettyPrint(false).escapeMode(EscapeMode.extended);
Element head = doc.head();
Element body = doc.body();
Element firstDiv = body.select("div").first();
[... perform my element and attribute inserts ...]
body.prependText("\n" + endifStatement);
body.appendText("\n" + ifStatement);
String fullHtml = (ifStatement + doc.toString().replaceAll("\\<", "<").replaceAll("\\>", ">") + "\n" + endifStatement);
BufferedWriter htmlWriter = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(outputFile), "UTF-8"));
htmlWriter.write(fullHtml);
htmlWriter.flush();
htmlWriter.close();
非常感谢任何帮助和投入！
共有1个答案
问题是我不知道如何保留非HTML元素，并将格式与原始格式保持在同一位置。
Jsoup是一个HTML解析器。你给它的“HTML文件”不包含HTML。它更多地是一个用类似HTML的语言编写的模板文件。
结果，Jsoup充其量会将此模板文件视为无效的HTML文件。这就是为什么所有非HTML元素都被转义的原因。
为了获得所需的内容，您必须编写自定义模板解析器。Jsoup确实提供了一些泛型类，使这个任务变得非常容易。
但是，按照设计，这些通用类只保留给内部使用。
这给我们留下了四个选择：
- 您的实际解决方案
使用纯HTML提供Jsoup - 向Jsoup团队发送问题
请求创建自定义解析器 - 编写更健壮的自定义解析器
这是一个重新发明的车轮解决方案IMO - 更改（如果可行）当前模板语言
检查小胡子，例如胸腺叶
-
我想解析出这个Nasa页面上的描述，页面底部的文字 我该怎么做？
-
主要内容：Jsoup 使用DOM解析HTML 语法,Jsoup 使用DOM解析HTML 说明,Jsoup 使用DOM解析HTML 示例以下示例将展示在将 HTML 字符串解析为 Document 对象后如何使用类似 DOM 的方法。 Jsoup 使用DOM解析HTML 语法 document ： 文档对象代表 HTML DOM。 Jsoup ： 解析给定 HTML 字符串的主类。 html ： HTML 字符串。 sampleDiv ： 元素对象表示由 id“sampleDiv”标识的 html
-
问题内容： 这是我的HTML来源 这是我获取内容的Java程序，它过滤HTML标记 是否有使用Jsoup而不是使用Java而不是Regex解析HTML内容的简便方法 有没有办法只获取所需的内容。所以在这里我只需要内容“项目2-222” 问题答案： 尝试使用jsoup轻松解析： 要了解更多信息，请访问Jsoup Docs
-
我试图从这个表中解析数据。例如，假设我想解析第二行中的第二个元素（称为SLO）。 我可以看到TR里面有一个TR，而SLO这个词甚至没有ID或任何东西。我如何解析这个？ 这是代码： 我不知道在文档中放什么。选择（“”）；因为我从未解析过这样的东西。我只解析过网页标题之类的东西。有人能帮我吗？
-
我必须解析一些html并移除锚标记，但我需要保留锚标记的innerHTML 例如，如果我的html文本是： 现在我可以解析上面的html并在jsoup中选择如下所示的标记, 我可以通过， 但是它会从开始括号到结束括号删除完整的achor标记，并且内部html会丢失，如何才能保留只删除开始和结束标记的内部html。 另外，请注意：我知道有从元素中获取outerHTML（）和innerHTML（）的方
-
问题内容： 我正在尝试使用jsoup解析HTML。这是我第一次使用jsoup，并且我也阅读了有关它的一些教程。以下是我要解析的HTML表- 如果您看到我的下表，则它现在有3个（我只是为了理解目的将其缩短为3个表行，但总的来说会更多）。现在，我想从我的下表中提取出它的对应信息，例如-我将提取其群集状态及其状态为关闭的所有主机名。 正如你可以看到下面的群集名称，我有两个主机名和其地位，但地位。 因此，