Java HTML XPath 选择器答案

【问题标题】：Java HTML XPath selectorJava HTML XPath 选择器
【发布时间】：2020-07-21 22:59:54
【问题描述】：

我正在尝试为 java 寻找像 C#htmlagilitypack 这样的库来解析 HTML 并使用 XPath 选择元素。

我已经阅读了许多库，但它们都不是用于 HTML 的独立 XPath 选择器，我发现的所有库都需要使用它们的方法解析 HTML，例如 htmlunit。

如果有人可以通过 XPath 2.0 或 3.0 和 HTML 解析的简单示例指导我，我将不胜感激。

【问题讨论】：

Selenium 可以从 html 中选择 xpathes
我正在寻找一个库来输入 html 字符串并使用 xpath 选择器。 Selenium 需要打开浏览器。
你试过了吗：github.com/code4craft/xsoup。它支持 XPath 1.0 并有一些其他的内置功能。
Saxon-HE 的 s9api 似乎是要走的路。
对于 htmlunit，您可以使用 html 字符串作为输入（参见常见问题解答）来获取页面，然后使用 XPath。

标签： java html xpath

【解决方案1】：

Java 支持Xpath。通常，它用于解析 XML 文件。但是，它也应该适用于 HTML。

HTML 示例：

<html lang="en">
<head>
    <title>Index page</title>
</head>
<body>
<div>
    <br/>
    <h1>Hello <span id="my-demo">User!</span></h1>
    <br/>
    <img src="https://s3.amazonaws.com/acloudguru-opsworkslab/ACG_Austin.JPG" alt="photo"/>
</div>
</body>
</html>

代码 sn-p：

public class HtmlXpathParser {
    private DocumentBuilder builder;
    private XPath path;

    public HtmlXpathParser() throws ParserConfigurationException {
        DocumentBuilderFactory dbfactory = DocumentBuilderFactory.newInstance();
        builder = dbfactory.newDocumentBuilder();
        XPathFactory xpfactory = XPathFactory.newInstance();
        path = xpfactory.newXPath();
    }

    public Optional<String> parse(String fileName) throws SAXException, IOException, XPathExpressionException {
        File file = new File(fileName);

        Document doc = builder.parse(file);
        String result = path.evaluate("//img/@src", doc);

        return Optional.of(result);
    }

    public static void main(String[] args) throws ParserConfigurationException, XPathExpressionException, SAXException, IOException {
        HtmlXpathParser parser = new HtmlXpathParser();

        Optional<String> srcResult = parser.parse("src/main/resources/index.html");
        srcResult.ifPresent(System.out::println);
    }
}

输出：

https://s3.amazonaws.com/acloudguru-opsworkslab/ACG_Austin.JPG

它适用于 XPath 版本 1。如果需要，可以使用 xpath2-parser 之类的东西。

有用的参考资料：

【讨论】：

感谢您提供此答案。我看到的第一个问题是这段代码不能清理坏的 HTML，第二个问题是它不支持 xpath 3。