logo标签列表

如何在Jsoup解析中避免包含HTML头标签

javahtmlparsingjsoup
25

我使用Jsoup来解析给定的HTML内容。在Jsoup.parse()之后，输出会将html、head和body标签附加到输入中。我只想忽略它们。

样例输入：

<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>

预期输出：

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

请帮忙。

这应该会对你有所帮助。http://stackoverflow.com/questions/17492396/jsoup-filter-out-only-some-tags-from-html-to-text - RandomQuestion
@Jitendra 我想要像这样的属性。http://nekohtml.sourceforge.net/faq.html#fragments - Roshan
4个回答
26

原因：

parseBodyFragment() 以及所有其他 parse() 方法默认使用 HTML 解析器。这些方法总是会添加 HTML 壳（<html>…</html>，<head>…</head> 等）。

解决方案：

不要使用 HTML 解析器，改用 XML 解析器 。

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

替换那一行代码，你的问题就会得到解决。

例子：

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>
7
这种方法的潜在缺陷是你无法获得任何HTML整理的效果。XML解析器不关心HTML5的结构，并且会将内容原样传递。如果您想要整理过的HTML正文，请使用Jsoup.parseBodyFragment(html).body();。 - Jonathan Hedley
7
只有当你的HTML是XML时，这才适用。不幸的是，如果你有未结束的img标签之类的内容，XML解析器将假定接下来的标签都在其中。 - jwepurchase
1
我可以理解如果你已经在使用XML，但仅仅为了这个用例而依赖于XML并不是一个好主意。 - Alkanshel
15
为了获得预期的输出，实际上应该是：

为了得到期望的输出，实际上应该这样做：

final String html = "<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>";
Document doc = Jsoup.parseBodyFragment(html);
doc.outputSettings().prettyPrint(false);

System.out.println(doc.body().html());
12

您可以尝试使用XML解析器，但这并不总是有效，因为HTML并不总是XML；它通常有未终止的标签，如<img>和<br>。最好使用HTML解析器。您可以依赖于存在<html>、<head>和<body>标签，并且它们很容易被丢弃。只需通过选择body标签获取您的HTML片段，并请求其HTML即可。

Document doc = Jsoup.parseBodyFragment(html);
        doc.outputSettings().prettyPrint(false);
        System.out.println(doc.select("body").html());
2
因为警告XML解析器而点赞。尽管我使用jsoup来更正图像，但我几乎做了那件事。此外，我想评论一下，对body元素使用.html()只会得到内部HTML，不包括周围的body标签。 - Taugenichts
3
你可以使用 Jsoup.parse 方法，同时选择 HTML 解析器。你所需要做的就是去掉 html 和 body 标签。
这可以通过选择 body 元素并将其取消包装来完成。
String input = "<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>";
Node content = Jsoup.parse(input).body().unwrap();
System.out.println(content.html());

通过 body() 方法，您可以选中 body 元素；通过 unwrap() 方法，您可以移除 body 元素，只保留其内容。
因此输出结果为：
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
网页内容由stack overflow 提供, 点击上面的
可以查看英文原文，
原文链接