抓取网站数据，其中基于 XML 加载 HTML

Question

我正在尝试使用 JAVA 中的 JSoup 库从网页中抓取数据。 但是，这里的问题是我想抓取的数据是基于 XML 加载的，所以当我尝试从 HTML 解析它时，它会显示

<div id="report-details-container"> 
   <!-- Container where HTML template will be loaded based on XML --> 
</div>

而不是完整的 HTML，它只显示此评论。

我如何抓取该数据，因为在检查元素中我可以看到完整的 HTML。

Answer 1

我如何抓取该数据，因为在检查元素中我可以看到完整的 HTML。

您无法从 HTML 中提取原始 XML。 XML 不在 HTML 中。

然而：

• 您也许能够对原始 XML 进行逆向工程……只要您知道从 XML 到 HTML 的转换规则（例如，您有 XSLT 文件），并且转换不是有损的。

• 如果从 XML 到 HTML 的转换是使用（比如）XSLT 的客户端执行完成的，那么您应该能够在应用转换之前捕获 XML。

• 可能有一种方法可以让服务器发送 XML 而不是 HTML。 这将取决于服务器本身。

---

但是，如果您所拥有的只是像您向我们展示的那样的 HTML 注释，那么您首先需要对加载 XML 的过程进行逆向工程。 它可能是通过一些客户端脚本完成的。