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。
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)。
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。
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。
我来说两句