我想完成一个简单的任务，但是我正在努力寻找一个简单的解决方案：我将网页的HTML包含在String（或File）中，并且我想生成给定元素的XPath。 （例如，我想检索<a>元素的XPath）

我尝试了不同的解决方案，但在正确解析html时经常遇到问题。 是否有像这样的适用于Java的html清洁程序？ https://www.htmlwasher.com/这是我目前发现的唯一功能正常的清洁器，但这是一个在线工具。 有了这个，我可以轻松地解析HTML并进入XPath。

我目前正在以这种方式使用jOOX（ https://github.com/jOOQ/jOOX ）来生成XPath： 

Document document = $(html).document();
System.out.println($(document).find("a").xpath());

如果使用我提供的在线工具清理了HTML，则可以生成正确的XPath。 如果只有我可以正确地以编程方式解析html，我喜欢与jOOX进行交互的方式。 您知道解析HTML的好方法吗？ 我已经尝试过：

  • JSoup
  • Tagsoup
  • HtmlCleaner

测试网站页面为http://www.ansa.it 。

编辑 ：在一些常见的HTML解析问题上解析失败，例如未关闭的标签（例如</img> ），转义等。

我设法通过这种方式“正确”解析了html：

Document doc = Jsoup.parse(Jsoup.clean(html, Whitelist.relaxed())); doc.outputSettings().escapeMode(EscapeMode.xhtml) .syntax(Syntax.xml) .charset(StandardCharsets.UTF_8);

事实是，像<a href="cinema.shtml">Cinema</a>这样的标签就变成了<a>Cinema</a>因此我无法使用它们的属性（例如href）来选择它们。 我该如何解决这个新问题？

我注意到有些链接仍然具有href，它们是指向其他网站（如facebook或twitter）的链接。 这可能有关吗？

#1楼 票数：0 已采纳

解决 ：

我设法使所有事情都以这种方式工作： 

String html = getTheHTMLSomeWay();

Document doc = Jsoup.parse(Jsoup.clean(html, "http://base.uri", Whitelist.relaxed().preserveRelativeLinks(true)));
doc.outputSettings().escapeMode(EscapeMode.xhtml).syntax(Syntax.xml).charset(StandardCharsets.UTF_8);

org.w3c.dom.Document document = $(doc.html()).document();

System.out.println($(document).find("a[href='/your/relative/url']"));

使用Jsoup，我可以针对所有无聊的未关闭标签，不允许的标签等清除HTML。然后，我可以转义所有未转义的字符（根据xhtml ）并将语法设置为xml 。

这样可以为您提供干净的html代码，可与jOOX库一起使用。

  ask by L. Don translate from so

未解决问题？本站智能推荐：

2回复

如何选择XPath中具有特定类的最后一个XHTML元素？

我的目标XHTML文档（简体）如下所示： 我正在尝试选择“ boris”类的最后一个。 XPath表达式 选择所有类鲍里斯的跨度。 如何选择其中的最后一个？ 我试过了 这是行不通的，因为last（）此处是指整个文档中的最后一个跨度。 如何选择鲍里斯课程的所有跨度，然后选
1回复

XPath主要用于Html或XML或XHTML？

我是XPath概念的新手，我对XPath有一个非常基本的了解。 我开始首先使用XPath在HTML页面上查找Web元素。 现在，在搜索Web（视频和文本）时，我发现所有XPath教程都与XML（而不是HTML页面）相关。 维基说， XPath（XML路径语言）是一种用于从XML文
1回复

当它被埋在另一个标签中时，使用XPath获取文本，例如

以下 XPath 通常足以匹配文本包含特定字符串的所有锚点： 考虑到这样的情况： 文本被包裹在一个<strong> ，在锚点关闭之前还有一个<br> ，所以上面的 XPath 什么都不返回。 如何调整 XPath 以允许<a>包含附加标签，例如<strong
1回复

java：查找特定节点的绝对xpath

是否可以找到XML或XHTML文件的任何特定节点的xpath？ 对于（例如） 如上所示，如果我只想在<a id="c">Here </a>行的xpath。 答案应该是：- /html/body/div/div[2]/a[@id="c"]有可能吗？ 如果是，请提
2回复

Java和xpath-xHtml解析问题

我正在尝试分析格式正确的xhtml文档。 我在节点迭代期间遇到问题。 我的xHtml具有类似的结构 我需要的信息包含在（td）列中。 我想构造N个对象。 因此，每一行（tr）的列中都包含构造对象所需的信息。 我的class =“ AB”有1或2个div。 所以基本上我将拥
3回复

Xpath问题选择嵌套在

我正在尝试使用一个程序从大量 XHTML 文档中提取文本，该程序使用 Xpath 查询将文本映射到结构化表中。 XHTML 文档看起来像这样 我可以按它们的类选择跨度并检索文本/值，但是它们不够独特，我需要按表类进行过滤。 例如，只有来自跨类 ca-0的文本，它是td 类 td-3 c13的子类这
2回复

XPath或的简写（相同的查询，但是有多种标记类型）？

包含给定字符串的作业列表可能以<h2> ， <h3>或<p> （通常）为标题。 我可以用| 逻辑或这些，以便我的XPath将检测所有情况： 这里有速记吗？
2回复

使用Xpath，查找包含ID=“userid”输入框的最叶表节点

我尝试了几种不同的变体，但似乎无法正确实现。 给定html像： 我想找到内部表。 我已经尝试过// // table / * / input [@ id ='foo']，但是我没有得到正确的东西-有人对我没有快速解决方案吗？ :-) 非常感谢！