Java Html 解析器和关闭标记答案

【问题标题】：Java Html Parser and Closing TagsJava Html 解析器和关闭标记
【发布时间】：2010-04-27 03:34:50
【问题描述】：

如何使用 Java HTML 解析器库处理结束标记（例如：</h1>）？

例如，如果我有以下情况：

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();
 }
}

当我运行解析器时，我得到以下输出：

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

NodeList 包含一个大小为 3 的列表，其中包含以下实体：

(tagNode) <h1>

(textNode) Welcome, User

(tagNode) </h1>

我希望输出为“<h1>Welcome, User</h1>”。有人看到我的示例解析器有什么问题吗？

【问题讨论】：

标签： java html parsing

【解决方案1】：

提示：

我认为在这种情况下你必须依赖isEndTag() API。

【讨论】：

【解决方案2】：

您的过滤器接受的节点过多。对于您的示例输入，您希望为<h1> 标记创建一个只有一个节点的NodeList。其他两个节点是第一个节点的子节点，因此不应添加到 NodeList。

如果您添加以下代码，您可能会更好地看到问题所在。

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

应该打印出来

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

【讨论】：