問題タブ [jtidy]

みなさん、こんにちは。これが私の最初の質問で、プログラマーではありません。

サイトマップを作成したいのですが。webcrawler（crawler.dev.java.net）を使用してWebサイトをクロールしています。取得したデータにsaxパーサーを使用する方法はありますか？

また、jtidyを使用して、ホームページのhtmlデータをxmlファイルに変換しました。

非常に多くのサックスパーサーがあり、それらの違いとどれを選択するかがわかりません。

htmlタグの属性にアクセスしたいのですが、webcrawlerでアクセスできないか、その方法がわかりません。

org.xml.saxと他のすべてのパッケージの違いは何ですか？

TagSoup および jTidy ライブラリのドキュメント (可能であれば公式のドキュメント) を探しています。

このライブラリを使用して、html (html、xhtml、または html5) タグの間に異なる名前空間が混在する xml タグを含む html "tagsoup" ファイルを操作したいと考えています。

HTMLCleaner、NekoHTML、および Jericho をテストしましたが、ファイルをクリアするための最も単純な例を除けば、jTidy と TagSoup のドキュメントは見つかりません。

コンテンツの操作、タグの置換、情報の抽出などに関するドキュメントが必要です...

ありがとう

注: すべてのオプションをテストした後、StAX / Woodstoxを使用しました。

• http://wiki.fasterxml.com/WoodstoxHome

• https://en.wikipedia.org/wiki/StAX

• https://docs.oracle.com/javase/tutorial/jaxp/stax/using.html

次のようなHTMLを取得する方法を探しています。

そして、それをJTidyで実行し、パーサーの出力にCSSルールを保持します。

タグは最終出力でなくなります。

HTML を XHTML 1.1 に変換する必要があります。

私はJavaプログラムでそれをやっているので、JTidyを使うことにしました。しかし、JTidy に出力を XHTML に変換するように指示すると、XHTML 1.1 ではなく、XHTML 1.0 になります。2003 年以前の Tidy と XHTML 1.1 に関する Google の投稿をいくつか見つけましたが、JTidy を使用した XHTML 1.1 のオプションを見つけることができません。

何か案は？

どうもありがとう。

私はJavaを使用してWebページからタイトルテキストを取得しています。

次のようにタグ名を使用してWebページから画像を取得しました。

動作していますが、上記と同じコードを使用してWebページ（www.yahoo.com）からタイトルタグを取得したいと思います。getElementsByTagName（ "title"）;について説明しました。しかし、それは機能していません。上記のようにjtidyパーサーを使用してそれを行う方法を教えてください。

私はhtmlドキュメントを持っていて、ドキュメント内のどこかがテーブルの下にあり、テーブルの行とJavaDOMオブジェクトを取得できます。値が文字列である場合、およびバイナリリソースである場合に、テーブルセルの値を抽出する方法がわかりません。

私は次のようなコードを使用しています：

とloopiongのように：

しかし、私は表に値が表示されていません。

次のような一連のxmlファイルがあります。

標準のDOM方法を使用してxmlを解析しようとしていますが、の属性値Pが引用符で囲まれていないため、Javaが文句を言います。

JTidyを使用してクリーンアップしようとしましたが、xmlがHTMLでないため、Tidyはタグなどを認識しないというエラーをスローし<ROOT>ます<F>。

それで、これを行う別の方法はありますか？<F>または、引用符のない属性のみがタグで発生するため、正規表現を使用できると思います。どちらかについて何か考えはありますか？

前もって感謝します