Java HTML解析器和結束標記

Question

如何使用Java HTML Parser Library處理結束標記（例如： </h1> ）？

例如，如果我有以下內容：

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();
 }
}

運行解析器時，將獲得以下輸出：

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

NodeList包含大小為3的列表，其中包含以下實體：

(tagNode) <h1>

(textNode) Welcome, User

(tagNode) </h1>

我希望輸出為“ <h1>Welcome, User</h1> ”。 有人在我的示例解析器中看到什么地方出問題了嗎？

Answer 1

暗示：

我認為在這種情況下，您必須依賴isEndTag（） API。

Answer 2

您的過濾器接受了太多的節點。 對於您的示例輸入，您想為<h1>標簽創建一個只有一個節點的NodeList 。 其他兩個節點是第一個節點的子節點，因此不應將其添加到NodeList 。

---

如果添加以下代碼，則可能會更好地了解問題所在。

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

它應該打印

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