使用SAX解析器解析HTML

Question

我正在尝试使用SAX解析器解析普通的HTML文件。

SAXBuilder builder2 = new SAXBuilder();
         try {
            Document sdoc = (Document)builder2.build(readFile);
            NodeList nl=sdoc.getElementsByTagName("body");
            System.out.println("nodelist>>>>>>>>>>>"+nl.getLength());

        } catch (JDOMException e1) {
            e1.printStackTrace();
        }

但是我遇到了异常。

Open quote is expected for attribute "{1}" associated with an  element type  "class".

请问为什么我会遇到这个异常？HTML文档格式正确，所有标签都是完整的。

谢谢！

- user972590

---

你想用SAX做这件事情有特别的原因吗？ - flash

不，我只想从HTML文件中获取正文内容，所以我使用了它。还有其他解决方案吗？ - user972590

使用SAX，你可以解析XHTML，但我不确定它是否也可以解析HTML（至少大多数XML解析器不行）。 HTML不一定是规范的XML。 - Mister Smith

Answer 1

正如flash所说，你需要一个HTML解析器，而不是XML解析器。 HTML不是XML。

我用过的好解析器有Neko和TagSoup。 Neko是一个很好的全能解析器； TagSoup专门旨在能够解析任何格式，无论多么不规范。

- Tom Anderson

---

关于TagSoup的事情是，它基于SAX，速度非常快，并且解决了所有基本SAX无法处理的问题，包括<和>。它与SAX一样容易设置；处理程序方法只是相同的方法--除了您已经知道的SAX之外，没有学习曲线。 - Russ Bateman

Answer 2

一般来说，你不能使用XML解析器来解析HTML：

• HTML元素标签不需要在所有情况下匹配。(例如，<p>标签不需要与</p>标签匹配。)这会导致XML解析器出现终端消化不良的问题。

• 现实世界中的HTML以不符合HTML规范而闻名，更不用说HTML的XML兼容子集了。

然而，如果你的输入文档是XHTML，你理论上就可以使用像SAX这样的XML解析器。你甚至可以对文档进行XHTML模式的验证。

- Stephen C

Answer 3

请查看HtmlParser。通常使用SAX解析html不是很好的解决方案。

- flash

---

SAX是解析大量数据（如HTML）的好选择。尝试使用TagSoup，它非常适合这种用途！ - slott

Answer 4

Java 的另一个 HTML 解析器是 JSoup: https://jsoup.org/

- S. Doe