3

Html 文字列を解析して org.w3c.dom.Document にしたい場合は、次の方法を使用します。

public static Document stringToDocument(String input){
    try {
        DocumentBuilder db = DocumentBuilderFactory.newInstance().newDocumentBuilder();
        InputSource is = new InputSource();
        is.setCharacterStream(new StringReader(input));
        Document doc = db.parse(is);
        return doc;
    }catch (Exception e){
        e.printStackTrace();
        return null;
    }
}

HTML文字列に「colgroup」および「col」タグがあることを除いて、これはほとんどのhtmlで正常に機能します（次のように）

<html dir="rtl"><head><meta charset="utf-8"/></head>
<body>
<table>
<colgroup>
<col width="29">
<col style="width:54pt" span="4" width="72">
<col width="4">
</colgroup>
<tbody>
<tr>
<td>test</td>
<td>105</td>
<td>110</td>
</tr>
<tr>
<td>456</td>
<td>456</td>
<td>786</td>
</tr>
</tbody>
</table>
</body>
</html>

メソッドによって例外がスローされます:

org.xml.sax.SAXParseException; lineNumber: 8; columnNumber: 6; The end-tag for element type "col" must end with a '>' delimiter.
at org.apache.xerces.parsers.DOMParser.parse(Unknown Source)
at org.apache.xerces.jaxp.DocumentBuilderImpl.parse(Unknown Source)

w3schoolsによると、col タグの構文は正しく、この問題の解決方法がわかりません。

4

1 に答える 1

2

問題は、HTML が XML 形式ではないことです。ここhttp://courses.cs.vt.edu/~cs1204/XML/htmlVxml.htmlまたはここ http://www.xmlobjective.com/what-is-the-difference-between-xml-and-html/を参照してくださいまたはここhttps://webkit.org/blog/68/understanding-html-xml-and-xhtml/またはお気に入りの検索エンジンを使用して、xml と html を検索します。

ところで。本当に HTML を解析したい場合は、https://jsoup.org/やhttp://htmlcleaner.sourceforge.net/などのサードパーティ ライブラリを使用できます。

于 2016-08-21T07:18:50.807 に答える