将HTML字符串转换为
org.w3c.dom.Document
我使用
下面是我的代码:jtidy-r938.jar
public static Document getDoc(String html) {
Tidy tidy = new Tidy();
tidy.setInputEncoding("UTF-8");
tidy.setOutputEncoding("UTF-8");
tidy.setWraplen(Integer.MAX_VALUE);
// tidy.setPrintBodyOnly(true);
tidy.setXmlOut(false);
tidy.setShowErrors(0);
tidy.setShowWarnings(false);
// tidy.setForceOutput(true);
tidy.setQuiet(true);
Writer out = new StringWriter();
PrintWriter dummyOut = new PrintWriter(out);
tidy.setErrout(dummyOut);
tidy.setSmartIndent(true);
ByteArrayInputStream inputStream = new ByteArrayInputStream(html.getBytes());
Document doc = tidy.parseDOM(inputStream, null);
return doc;
}
但有时库工作不正确,一些标签丢失。
请告诉一个好的开放库来做这个任务。
非常感谢!
您没有说明为什么有时库不能提供良好的结果。尽管如此,我非常有规律地使用html文件,我必须从中提取数据,遇到的主要问题是,一些标签无效,因为没有关闭,例如。我发现最好的解决方案是api htmlcleaner (htmlcleaner网站)。
它允许你使你的html文件格式良好。然后,将其转换为文档w3c或其他严格格式的文件更容易。
使用HtmlCleaner,你可以这样做:HtmlCleaner cleaner = new HtmlCleaner();
TagNode node = cleaner.clean(html);
DomSerializer ser = new DomSerializer(cleaner.getProperties());
Document myW3cDoc = ser.createDOM(node);
我引用的DomSerializer来自htmlcleaner