JSoup解析屬性=“值”=“”

Question

我的用例

1. 從網站下載 HTML 文件
2. 用 JSoup 解析它
3. 使用 JSoup 將其轉換為有效的 XML
4. 使用 XPath (javax.xml.xpath) 從 XML 文檔中讀取元素和屬性

（這在大多數情況下按預期實施和工作。）

問題/原因

有一種情況失敗：

1. 源 HTML 文件包含無效的內容，例如<div someattribute="somevalue"=""></div>
2. JSoup 將其轉換為同樣無效的字符串<div someattribute="somevalue" =""=""></div>
3. XPath 無法解析無效的 JSoup output XML。

問題和解決方法

1. 是否可以給 JSoup 一個提示，以便它為這個無效輸入生成有效的 output ？
2. 是否可以給 XPath 一個提示，以便它解析無效輸入（=JSoup 輸出）？
3. 是的，作為后備，我可以從 HTML 字符串中過濾掉無效的"=""並將其替換為" ，但是當有一個可以解析無效 HTML 的庫時，為什么要自己做呢？

技術細節

不幸的是，我想由 JSoup 解析的 HTML 文檔包含類似以下代碼段的內容：

<div someattribute="somevalue"=""></div>

使用此配置調用 JSoup...

Document doc = Jsoup.parse(html);
doc.outputSettings().syntax(Document.OutputSettings.Syntax.xml).charset(StandardCharsets.UTF_8);
String html = doc.html();

...返回包含此代碼段的 HTML 文檔：

<div someattribute="somevalue" =""=""></div>

XPath 然后使用以下消息中止解析此文檔：

Auf Elementtyp "div" müssen entweder Attributspezifikationen, ">" oder "/>" folgen.

在英語中是這樣的：

Element type "div" must be followed by either attribute specifications, ">" or "/>".

Answer 1

jsoup包含一個到 W3C DOM model 的轉換器，其中包括轉換時的屬性過濾。 然后，您可以直接對該 object 運行 xpath 查詢，這不僅有效，而且比序列化到 XML 然后重新解析更有效。

請參閱org.jsoup.helper.W3CDom的文檔

這是一個例子：

import org.w3c.dom.Document;
import org.w3c.dom.Node;
...

String html = "<div someattribute=\"somevalue\"=\"\"></div>";
org.jsoup.nodes.Document jdoc = Jsoup.parse(html);
Document w3doc = W3CDom.convert(jdoc);

String query = "//div";
XPathExpression xpath = XPathFactory.newInstance().newXPath().compile(query);
Node div = (Node) xpath.evaluate(w3doc, XPathConstants.NODE);

System.out.printf("Tag: %s, Attribute: %s",
        div.getNodeName(),
        div.getAttributes().getNamedItem("someattribute"));

（注意這里的Document和Node是 W3C DOM，而不是jsoup DOM 。）

這給了我們：

Tag: div, Attribute: someattribute="somevalue"