html - Groovy - NekoHTML Sax 解析器

标签 html xml groovy saxparser

我的 NekoHTML 解析器遇到了困难。 它在 URL 上运行良好,但是当我想在一个简单的 XML 测试中进行测试时,它无法正确读取它。

我是这样声明的:

def createAndSetParser() { 
  SAXParser parser = new SAXParser()  //Default Sax NekoHTML parser 
  def charset = "Windows-1252"  // The encoding of the page 
  def tagFormat = "upper"    // Ensures all the tags and consistently written, by putting all of them in upper-case. We can choose "lower", "upper" of "match" 
  def attrFormat = "lower"  // Same thing for attributes. We can choose "upper", "lower" or "match" 

  Purifier purifier = new Purifier()     //Creating a purifier, in order to clean the incoming HTML 
  XMLDocumentFilter[] filter = [purifier] //Creating a filter, and adding the purifier to this filter. (NekoHTML feature) 

  parser.setProperty("http://cyberneko.org/html/properties/filters", filter) 
  parser.setProperty("http://cyberneko.org/html/properties/default-encoding", charset) 
  parser.setProperty("http://cyberneko.org/html/properties/names/elems", tagFormat) 
  parser.setProperty("http://cyberneko.org/html/properties/names/attrs", attrFormat) 
  parser.setFeature("http://cyberneko.org/html/features/scanner/ignore-specified-charset", true)    // Forces the parser to use the charset we provided to him. 
  parser.setFeature("http://cyberneko.org/html/features/override-doctype", false)    // To let the Doctype as it is. 
  parser.setFeature("http://cyberneko.org/html/features/override-namespaces", false)     // To make sure no namespace is added or overridden. 
  parser.setFeature("http://cyberneko.org/html/features/balance-tags", true) 

  return new XmlSlurper(parser)   // A groovy parser that does not download the all tree structure, but rather supply only the information it is asked for. 
} 

再次,当我在网站上使用它时,它工作得非常好。 猜猜为什么我不能对简单的 XML 文本样本这样做?

非常感谢任何帮助:)

最佳答案

我使您的脚本在 Groovy 控制台上可执行,以便使用 Grape 从 Maven 中央存储库中获取所需的 NekoHTML 库来轻松试用它。

@Grapes(
  @Grab(group='net.sourceforge.nekohtml', module='nekohtml', version='1.9.15')
)

import groovy.xml.StreamingMarkupBuilder
import org.apache.xerces.xni.parser.XMLDocumentFilter
import org.cyberneko.html.parsers.SAXParser
import org.cyberneko.html.filters.Purifier

def createAndSetParser() { 
  SAXParser parser = new SAXParser()
  parser.setProperty("http://cyberneko.org/html/properties/filters", [new Purifier()] as XMLDocumentFilter[])
  parser.setProperty("http://cyberneko.org/html/properties/default-encoding", "Windows-1252")
  parser.setProperty("http://cyberneko.org/html/properties/names/elems", "upper")
  parser.setProperty("http://cyberneko.org/html/properties/names/attrs", "lower")
  parser.setFeature("http://cyberneko.org/html/features/scanner/ignore-specified-charset", true)
  parser.setFeature("http://cyberneko.org/html/features/override-doctype", false)
  parser.setFeature("http://cyberneko.org/html/features/override-namespaces", false)
  parser.setFeature("http://cyberneko.org/html/features/balance-tags", true) 
  return new XmlSlurper(parser)
} 

def printResult(def gPathResult) {
  println new StreamingMarkupBuilder().bind { out << gPathResult }
} 

def parser = createAndSetParser()

printResult parser.parseText('<html><body>Hello World</body></html>')
printResult parser.parseText('<house><room>bedroom</room><room>kitchen</room></house>')

这样执行时,两个printResult的结果-statements 如下所示,可以解释解析 XML 字符串的问题,因为它被包装到 <html><body>...</body></html> 中标记并丢失名为 <house/> 的根标记:

<HTML><tag0:HEAD xmlns:tag0='http://www.w3.org/1999/xhtml'></tag0:HEAD><BODY>Hello World</BODY></HTML>
<HTML><BODY><ROOM>bedroom</ROOM><ROOM>kitchen</ROOM></BODY></HTML>

这一切都是由 http://cyberneko.org/html/features/balance-tags 引起的您在脚本中启用的功能。如果我禁用此功能(它必须明确设置为 false,因为它默认为 true),结果如下所示:

<HTML><BODY>Hello World</BODY></HTML>
<HOUSE><ROOM>bedroom</ROOM><ROOM>kitchen</ROOM></HOUSE>

关于html - Groovy - NekoHTML Sax 解析器,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/7080401/

相关文章:

mysql - SQL多对多关系解决方案: intermediate table or xml query?

java - CAMT.053 Java 解析器

javascript - 如何在 Jquery 中找到一条线的中点?

html - CSS:防止单个符号换行

html - 流体子元素 1px 太宽,但只有一个地方

java - JMeter JSR233 结果到仪表板

grails - IntelliJ 中使用 GroovyDSL 进行动态方法定义

javascript - DataTable 导致 javascript 停止执行 - 控制台中没有错误

不滚动的Android ListView?

gradle - 运行任务时Gradle不会导入groovy类