是否存在生成的节点保留原始文本索引的Java HTML解析器？

Question

我希望以XML形式查询HTML文档（例如使用XPath），因此我需要通过某种形式的HTML清理器传递HTML

但是我还想根据查询结果修改原始源字符串

是否有一个Java HTML解析器保留原始源字符串的索引，这样我就可以找到一个节点并修改原始字符串的正确部分

干杯

Answer 1

听起来杰里科几乎就是你想要的。它是一个健壮的HTML解析器，专门设计用于对源文档进行非侵入性修改

虽然它没有DOM、SAX或StAX接口，但它有定制的API，这些API与这些标准非常相似，您应该能够相当轻松地调整方法以适应它们，或者在您正在使用的任何东西和Jericho之间编写适配器。例如，可以使用Jaxen对Jericho文档进行XPath查询——请参见this blog entry以获取示例

Jericho对每个元素都有begin和end属性，甚至对于元素的某些部分，比如标记名，甚至属性名，所以你可以用这些信息自己编辑文档，但Jericho真正的亮点是OutputDocument类，它允许您通过使用与查询匹配的Jericho元素调用适当的方法来直接指定替换，而不必显式地调用getBegin（）和getEnd（），并将其传递给某个替换方法

Answer 2

我不知道“保留原始文本的索引”部分，但是Jericho是一个非常好的HTML解析器库

下面是一个如何从html中删除每个跨距的示例：

public static String removeSpans(String html) {
    Source source = new Source(html);
    source.fullSequentialParse();
    OutputDocument outputDocument = new OutputDocument(source);
    List<Tag> tags = source.getAllTags();
    for (Tag tag : tags) {
        String tagname = tag.getName().toLowerCase();
        if (tagname.equals("span")) {
            //remove the <span>
            outputDocument.remove(tag);
        }
    }
    return outputDocument.toString();
}

Answer 3

这很有效

http://jtidy.sourceforge.net/

范例

Tidy tidy = new Tidy(); // obtain a new Tidy instance
tidy.setXHTML(boolean xhtml); // set desired config options using tidy setters 
...                           // (equivalent to command line options)

tidy.parse(inputStream, System.out);

对于抓取DOM，我建议使用JDOM，它比简单的XML更快

http://www.jdom.org/

DocumentBuilderFactory factory =
DocumentBuilderFactory.newInstance();
DocumentBuilder builder = factory.newDocumentBuilder();
Document doc = builder.newDocument();
Element root = doc.createElement("root");
Text text = doc.createText("This is the root");
root.appendChild(text);
doc.appendChild(root);

就实现而言，我将创建一个新文档，并从源代码向其中添加节点

Answer 4

我们使用jericho html parser进行解析，使用htmlcleaner进行实际清理

我们修复了服务器应用程序（内存管理、日志记录）中jericho的行为问题。（最初的开发人员认为我们的问题不够重要，不能放到主代码分支中）Our fork is on github. 我们还制作了fixes to htmlcleaner

Answer 5

正如其他人所建议的，您可能希望呈现DOM。这基本上只是意味着构建节点树，它不会改变文档源，除非您使用像jTidy这样的HTML清理程序。这样您就可以轻松访问该文档，并可以根据需要对其进行修改。我建议DOM4J，它也有很好的api和xpath支持

根据“索引”要求，在遍历/查询文档的过程中，您可以在列表中缓存或映射任何元素或节点，以便在以后修改其文本

Answer 6

我想你可以用HTML Parser

可以使用类Node中的getStartPosition()和getEndPosition()获取原始Page的索引