問題タブ [htmlcleaner]

class 属性のみを持つ div 要素を持つ HTML Web ページを解析しようとしています。そこから情報を抽出する必要があります。複数の div 要素であるため、DOM をトラバースする必要があります。しかし、div要素を特定できません。

.html を pdf に変換する Java コードを書きたいと思っています。html から pdf への変換に adobe の itext API を使用しました。ただし、入力として不正な html ファイルを指定すると、この変換は失敗します。悪いhtmlをきれいにするが、新しいhtmlを再構築できるコードを取得できないパーサー.解析されたhtmlタグノードから新しいhtmlを構築する方法を知っている人はいますか?

HtmlCleaner ライブラリを使用して、html ファイルを解析し、その XPath 関数を介してデータを抽出しています。これはほとんどうまく機能しますが、ノードのテキスト コンテンツだけを取得する方法が見つかりません (子ノードのコンテンツなし)。多くの基本的な XPath ドキュメントで述べられているように、text() は子のコンテンツなしでノードのコンテンツを提供する必要がありますが、htmlcleaner の統合はこれに従っていないようです。htmlcleaners XPathでそれを行う方法はありますか?

UPADTE: ここに例があります:

私のhtmlはこのページです。 http://www.imdb.com/title/tt0499549/?ref_=nv_sr_1 ここにhtmlのスニペットがあります:

これは私の XPath です (この場合、div[7] は .txt-block div を取ります)

これは「予算: $237,000,000 (推定)」につながりますが、「$237,000,000」のみが必要であり、h4 の内容でもスパンの内容でもありません。

このような。XPath を使用して img タグでテキストを取得したい