如何将 Jsoup 文档转换为 W3C 文档？答案

【问题标题】：How to convert a Jsoup Document to a W3C Document?如何将 Jsoup 文档转换为 W3C 文档？
【发布时间】：2013-07-22 01:34:37
【问题描述】：

我通过解析内部 HTML 页面构建了一个 Jsoup 文档，

public Document newDocument(String path) throws IOException {

    Document doc = null;
    doc = Jsoup.connect(path).timeout(0).get();
            return new HtmlDocument<Document>(doc);
}

我想将 Jsoup 文档转换为我的 org.w3c.dom.Document 我为此使用了一个可用的库DOMBuilder，但是在解析时我得到org.w3c.dom.Document 为空。我无法理解问题，尝试搜索但找不到任何答案。

生成 W3C DOM 文档的代码：

Document jsoupDoc=factory.newDocument("http:localhost/testcases/test_2.html"));
org.w3c.dom.Document docu= DOMBuilder.jsoup2DOM(jsoupDoc);

谁能帮我解决这个问题？

【问题讨论】：

svn.apache.org/repos/asf/stanbol/trunk/enhancement-engines/…

标签： html-parsing jsoup apache-stanbol

【解决方案1】：

我认为到目前为止（2022 年）发生了很多更新。

org.w3c.dom.Document document = W3CDom.convert(jsoupDoc);

这对我有用。

【讨论】：

【解决方案2】：

另外，Jsoup 为 W3CDom 类提供 fromJsoup 方法。此方法将 Jsoup 文档转换为 W3C 文档。

Document jsoupDoc = ...
W3CDom w3cDom = new W3CDom();
org.w3c.dom.Document w3cDoc = w3cDom.fromJsoup(jsoupDoc);

更新：

自 1.10.3 起 W3CDom 为no longer experimental。
Jsoup 1.10.2 之前 W3CDom 类仍处于试验阶段。

【讨论】：

【解决方案3】：

To retrieve a jsoup document via HTTP，拨打Jsoup.connect(...).get()。 To load a jsoup document locally，拨打Jsoup.parse(new File("..."), "UTF-8")。

对DomBuilder 的调用是正确的。

当你说，

我为此使用了一个可用的库 DOMBuilder，但是在解析时我将 org.w3c.dom.Document 设为 null。

我想你的意思是，“我为此使用了一个可用的库 DOMBuilder，但是在打印结果时，我得到了[#document: null]。”至少，这是我在尝试打印w3cDoc 对象时看到的结果——但这并不意味着该对象为空。我可以通过调用getDocumentElement 和getChildNodes 来遍历文档。

public static void main(String[] args) {
    Document jsoupDoc = null;

    try {
        jsoupDoc = Jsoup.connect("http://stackoverflow.com/questions/17802445").get();
    } catch (IOException e) {
        e.printStackTrace();
    }

    org.w3c.dom.Document w3cDoc= DOMBuilder.jsoup2DOM(jsoupDoc);
    Element e = w3cDoc.getDocumentElement();
    NodeList childNodes = e.getChildNodes();
    Node n = childNodes.item(2);
    System.out.println(n.getNodeName());
}

【讨论】：