JSoup parse attribute=“value”=“”

Question

1. 从网站下载HTML文件

（在大多数情况下，这是按预期实施和工作的。）

有一个案例失败了：

1. 源HTML文件包含类似以下内容的无效内容

1. 有没有可能给JSoup一个提示，让它为这个无效的输入生成有效的输出
2. 是否可以给XPath一个提示，以便它解析无效的输入（=JSoup output）
3. 是的，作为回退，我可以从HTML字符串中筛选出无效的“=”，并将其替换为“”，但是，当有一个库可以解析无效的HTML时，为什么要自己做呢

不幸的是，我想让JSoup解析的超文本标记语言文档包含这样的片段：

<div someattribute="somevalue"=""></div>

正在使用此配置调用JSoup。。。

Document doc = Jsoup.parse(html);
doc.outputSettings().syntax(Document.OutputSettings.Syntax.xml).charset(StandardCharsets.UTF_8);
String html = doc.html();

...返回包含以下代码段的超文本标记语言文档：

<div someattribute="somevalue" =""=""></div>

然后，XPath将终止解析此文档，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包括一个到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的文档。jsoup。帮手W3CDom

下面是一个例子：

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"));

（请注意，Document和Node这里是W3C DOM，而不是jsoup DOM。）

这给了我们：

Tag: div, Attribute: someattribute="somevalue"