我尝试使用 Jsoup 解析给定的 html 内容。在 Jsoup.parse() 之后,html 输出将 html、head 和 body 标记附加到输入。我只想忽略这些。
示例输入:
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
Java代码:
import java.io.File;
import java.io.IOException;
import org.apache.commons.io.FileUtils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
public class HTMLParse {
public static void main(String args[]) throws IOException {
try{
File input = new File("/ab.html");
String html = FileUtils.readFileToString(input, null);
Document doc = Jsoup.parseBodyFragment(html);
doc.outputSettings().prettyPrint(false);
System.out.println(doc.html());
}
catch(Exception e){
e.printStackTrace();
}
}
}
实际输出:
<html><head></head><body><p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
</body></html>
预期输出:
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
请帮忙。
最佳答案
原因:
parseBodyFragment()
以及所有其他parse()
-方法默认使用HTML 解析器。那些添加总是 HTML-Shell(<html>…</html>
、<head>…</head>
等)。
解决方案:
只是不要使用 HTML 解析器,而是使用 XML 解析器 ;-)
Document doc = Jsoup.parse(html, "", Parser.xmlParser());
替换那一行,你的问题就解决了。
示例:
final String html = "<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>";
Document docHtml = Jsoup.parse(html);
Document docXml = Jsoup.parse(html, "", Parser.xmlParser());
System.out.println("******* HTML *******\n" + docHtml);
System.out.println();
System.out.println("******* XML *******\n" + docXml);
输出:
******* HTML *******
<html>
<head></head>
<body>
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
</body>
</html>
******* XML *******
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
关于java - 如何避免在 Jsoup 解析中包围 html head 标签,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/26173769/