用Java提取HTML片段

Question

我的文本可能包含HTML岛。

例：

qwwdeadaskdfdaskjfhbsdfkf<a href="/cookbook/modifying-data/set-attributes">Set attribute values</a>gfkjgfkjrgjgjgjgjgroggjrog <b>jsoup</b>sdflkjsdfsfklsfklfjsfkljsfljsf<a href="/apidocs/org/jsoup/Jsoup.html#parse(java.lang.String)" title="Parse HTML into a Document.">Jsoup.parse(String html)</a>skgjdfgkjdfgkldfjgdfkgljdfg

如何提取这些HTML片段？

Answer 1

Java支持DOM和XML的SAX解析，但是它们都要求文档格式正确。 因此，您的示例将不会被解析。 有一个名为NekoHTML（http://nekohtml.sourceforge.net/）的项目，该项目支持扫描格式不正确的HTML。

Answer 2

我正是按照您的要求执行的-通过在文本周围包裹一个封闭的标签，然后使用java.xml.parsers.DocumentBuilder创建DOM树，从而在文本块中找到HTML片段。

基本思想（省略很多）只是

String fragment = "<wrap_node>" + orig_text + "</wrap_node>";
Document d = builder.parse(fragment);

如果标签的格式不正确...缺少结尾，嵌套不正确等，这将不起作用，但这对我有用，因为我想拒绝任何格式错误的内容。