如何避免在 Jsoup 解析中圍繞 html head 標簽
[英]How to avoid surrounding html head tags in Jsoup parse
問題描述
使用 Jsoup 我嘗試解析給定的 html 內容。 在 Jsoup.parse() 之后，html 輸出將 html、head 和 body 標記附加到輸入。 我只想忽略這些。
樣本輸入：
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
爪哇代碼：
import java.io.File;
import java.io.IOException;
import org.apache.commons.io.FileUtils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
public class HTMLParse {
public static void main(String args[]) throws IOException {
try{
File input = new File("/ab.html");
String html = FileUtils.readFileToString(input, null);
Document doc = Jsoup.parseBodyFragment(html);
doc.outputSettings().prettyPrint(false);
System.out.println(doc.html());
}
catch(Exception e){
e.printStackTrace();
}
}
}
實際輸出：
<html><head></head><body><p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
</body></html>
預期輸出：
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
請幫忙。
4 個解決方案
解決方案1
22 已采納 2014-10-03 15:24:49
原因：
parseBodyFragment()以及所有其他parse()方法默認使用HTML 解析器。 而那些總是添加 HTML-Shell（ <html>…</html> ， <head>…</head>等）。
解決方案：
只是不要使用 HTML 解析器，而是使用XML 解析器；-)
Document doc = Jsoup.parse(html, "", Parser.xmlParser());
更換那條線，你的問題就解決了。
例子：
final String html = "<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>";
Document docHtml = Jsoup.parse(html);
Document docXml = Jsoup.parse(html, "", Parser.xmlParser());
System.out.println("******* HTML *******\n" + docHtml);
System.out.println();
System.out.println("******* XML *******\n" + docXml);
輸出：
******* HTML *******
<html>
<head></head>
<body>
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
</body>
</html>
******* XML *******
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
解決方案2
10 2015-09-18 06:00:24
要獲得預期的輸出，它實際上是：
final String html = "<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>";
Document doc = Jsoup.parseBodyFragment(html);
doc.outputSettings().prettyPrint(false);
System.out.println(doc.body().html());
解決方案3
9 2017-08-30 20:45:49
您可以嘗試使用 XML 解析器，但這並不總是有效，因為 HTML 並不總是 XML； 它通常具有未終止的標簽，例如<img>和<br> 。 最好堅持使用 HTML 解析器。 您可以依賴<html> 、 <head>和<body>標簽，它們很容易丟棄。 只需通過選擇 body 標簽獲取 HTML 片段並詢問其 HTML。
Document doc = Jsoup.parseBodyFragment(html);
doc.outputSettings().prettyPrint(false);
System.out.println(doc.select("body").html());
解決方案4
3 2020-11-24 12:59:20
您也可以將 Jsoup.parse 與 HTML 解析器一起使用。 您需要做的就是去除html和body包裝器。
這可以通過選擇body元素並展開它來完成：
String input = "<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>";
Node content = Jsoup.parse(input).body().unwrap();
System.out.println(content.html());
通過body()選擇body元素，通過unwrap()移除 body 並且只保留內容。
所以輸出是：
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
JSoup檢查是否 <HTML> ， <HEAD> 和 <BODY> 標簽存在
聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.