提示:本站收集StackOverFlow近2千万问答，支持中英文搜索，鼠标放在语句上弹窗显示对应的参考中文或英文， 本站还提供 中文繁体 英文版本 中英对照 版本，有任何建议请联系yoyou2525@163.com。
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：
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？
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。
声明：本站的技术帖子网页，遵循CC BY-SA 4.0协议，如果您需要转载，请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.