如何在Jsoup解析中避免围绕HTML Head标签

Roshan 发表于 Dev

肉山

我使用Jsoup尝试解析给定的html内容。在Jsoup.parse（）之后，html输出将html，head和body标签附加到输入中。我只想忽略这些。

输入样例：

<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>

Java代码：

import java.io.File;
import java.io.IOException;

import org.apache.commons.io.FileUtils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class HTMLParse {

    public static void main(String args[]) throws IOException {
        try{
            File input = new File("/ab.html");
            String html = FileUtils.readFileToString(input, null);

            Document doc = Jsoup.parseBodyFragment(html);
            doc.outputSettings().prettyPrint(false);
            System.out.println(doc.html());
        }
        catch(Exception e){
            e.printStackTrace();
        }
    }
}

实际输出：

<html><head></head><body><p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
    </body></html>

预期产量：

<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>

请帮忙。

眼

原因：

parseBodyFragment()以及所有其他的parse()-方法使用的HTML解析器的默认。而那些加总的HTML壳牌（<html>…</html>，<head>…</head>等等）。

解决方案：

只是不要使用HTML解析器，而应使用XML解析器;-)

Document doc = Jsoup.parse(html, "", Parser.xmlParser());

替换该单行，您的问题就解决了。

例：

final String html = "<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>";

Document docHtml = Jsoup.parse(html);
Document docXml = Jsoup.parse(html, "", Parser.xmlParser());

System.out.println("******* HTML *******\n" + docHtml);
System.out.println();
System.out.println("*******  XML *******\n" + docXml);

输出：

******* HTML *******
<html>
 <head></head>
 <body>
  <p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
 </body>
</html>

*******  XML *******
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>

本文收集自互联网，转载请注明来源。

如有侵权，请联系[email protected] 删除。