如何避免在Jsoup解析中的HTML头标签 [英] How to avoid surrounding html head tags in Jsoup parse
问题描述
使用Jsoup，我尝试解析给定的html内容。在Jsoup.parse（）之后，html输出将html，head和body标签附加到输入。
样本输入：
$ b
< p>< b>这< i>是< / i>< / b> < i>我的句子< / i>的文字。< / p>
Java代码：
import java.io.File;
import java.io.IOException;
导入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（）;
code
$ b实际输出： < html>< head>< / head>< body>< p><< ; b>此< i>是< / i>< / b> < i>我的句子< / i>的文字。< / p>
< / body>< / html>
预期成果：
< p>< b>这个< i>是< / i>< / b> < i>我的句子< / i>的文字。< / p>
请协助。
解决方案原因：
parseBodyFragment（）以及其他所有 parse（） - 方法通过 default 使用 HTML解析器 。那些添加总是 HTML-Shell（< html> ...< / html> ，< head> ...< / head> 等）。
解决方案：
请不要使用HTML解析器，而应使用 XML解析器 ; - ）
Document doc = Jsoup.parse（html，，Parser.xmlParser（））;
替换单行并解决问题。
示例：
final String html =< p>< b>这个< i>是< / i>< / b>< i>我的文章< / i>文字。< / p>;
Document docHtml = Jsoup.parse（html）;
Document docXml = Jsoup.parse（html，，Parser.xmlParser（））;
System.out.println（******* HTML ******* \\\
+ docHtml）;
System.out.println（）;
System.out.println（******* XML ******* \\\
+ docXml）;
输出：
******* HTML *******
< html>
< head>< / head>
< body>
< p>< b>这个< i>是< / i>< / b> < i>我的句子< / i>的文字。< / p>
< / body>
< / html>
******* XML *******
< p>< b>此< i>是< / i>< / b> < i>我的句子< / i>的文字。< / p>
Using Jsoup i try to parse the given html content. After Jsoup.parse() the html output append html, head and body tag to the input. I just want to ignore these.
Sample Input:
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
Java code:
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();
}
}
}
Actual output:
<html><head></head><body><p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
</body></html>
Expected Output:
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
Please help.
解决方案 The cause:
parseBodyFragment() as well as all other parse()-methods use a HTML parser by default. And those add always the HTML-Shell (<html>…</html>, <head>…</head> etc.).
The Solution:
Just don't use a HTML-parser, use a XML-parser instead ;-)
Document doc = Jsoup.parse(html, "", Parser.xmlParser());
Replace that single line and your problem is solved.
Example:
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);
Output:
******* 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>
这篇关于如何避免在Jsoup解析中的HTML头标签的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！
查看全文
