如何将网页的 Html 源代码转换为 java 中的 org.w3c.dom.Document？答案

【问题标题】：How to convert an Html source of a webpage into org.w3c.dom.Document in java?如何将网页的 Html 源代码转换为 java 中的 org.w3c.dom.Document？
【发布时间】：2011-01-18 20:50:20
【问题描述】：

如何将网页的 Html 源代码转换为 org.w3c.dom.Documentin Java？

【问题讨论】：

标签： java html

【解决方案1】：

我刚刚玩过JSoup，这是一个很棒的Java HTML 解析器，工作起来有点像jQuery。真的很容易使用。

【讨论】：

【解决方案2】：

我建议http://about.validator.nu/htmlparser/，它实现了HTML5解析算法。 Firefox 正在用这个替换它自己的 HTML 解析器。

【讨论】：

【解决方案3】：

这实际上是一件相当困难的事情，因为任意 HTML 网页有时格式错误（主要浏览器都相当宽容）。您可能想查看swing html parser，我从未尝试过，但看起来它可能是最好的选择。您也可以尝试类似的方法并处理可能出现的任何解析异常（尽管我只为 xml 尝试过）：

import java.io.File;
import org.w3c.dom.Document;
import org.w3c.dom.*;

import javax.xml.parsers.DocumentBuilderFactory;
import javax.xml.parsers.DocumentBuilder;
import org.xml.sax.SAXException;
import org.xml.sax.SAXParseException; 

...

try {
    DocumentBuilderFactory docBuilderFactory = DocumentBuilderFactory.newInstance();
    DocumentBuilder docBuilder = docBuilderFactory.newDocumentBuilder();
    Document doc = docBuilder.parse (InputStreamYouBuiltEarlierFromAnHTTPRequest);
}
catch (ParserConfigurationException e)
{
    ...
}
catch (SAXException e)
{
    ...
}
catch (IOException e)
{
    ...
}

...

【讨论】：