Java HTML解析器和结束标记

Question

如何使用Java HTML Parser Library处理结束标记（例如： </h1> ）？

例如，如果我有以下内容：

public class MyFilter implements NodeFilter {

 public boolean accept(Node node) {
  if (node instanceof TagNode) {
   TagNode theNode = (TagNode) node;
   if (theNode.getRawTagName().equals("h1")) {
    return true;
   } else {
    return false;
   }
  }
  return false;
 }
}

public class MyParser {
 public final String parseString(String input) {
  Parser parser = new Parser();
  MyFilter theFilter = new MyFilter();
  parser.setInputHTML("<h1>Welcome, User</h1>");
  NodeList theList = parser.parse(theFilter);
  return theList.toHtml();
 }
}

运行解析器时，将获得以下输出：

<h1>Welcome, User</h1>Welcome, User</h1>

NodeList包含大小为3的列表，其中包含以下实体：

(tagNode) <h1>

(textNode) Welcome, User

(tagNode) </h1>

我希望输出为“ <h1>Welcome, User</h1> ”。 有人在我的示例解析器中看到什么地方出问题了吗？

Answer 1

暗示：

我认为在这种情况下，您必须依赖isEndTag（） API。

Answer 2

您的过滤器接受了太多的节点。 对于您的示例输入，您想为<h1>标签创建一个只有一个节点的NodeList 。 其他两个节点是第一个节点的子节点，因此不应将其添加到NodeList 。

---

如果添加以下代码，则可能会更好地了解问题所在。

for (Node node : theList.toNodeArray())
{
    System.out.println(node.toHtml());
}

它应该打印

<h1>Welcome, User</h1>
Welcome, User
</h1>