HtmlUnit - 将 HtmlPage 转换为 HTML 字符串？
Posted
技术标签:
【中文标题】HtmlUnit - 将 HtmlPage 转换为 HTML 字符串？【英文标题】：HtmlUnit - Convert an HtmlPage into HTML string? 【发布时间】：2011-09-23 17:46:00 【问题描述】：我正在使用 htmlUnit 为各种页面生成 HTML，但现在，我能将页面转换为服务器返回的原始 HTML 的最佳方法是将 HtmlPage 转换为 XML 字符串。
这有点烦人，因为 Web 浏览器呈现 XML 输出的方式与原始 HTML 不同。有没有办法将 HtmlPage 转换为原始 HTML 而不是 XML？
谢谢！
【问题讨论】：
【参考方案1】：page.asXml() 将返回 HTML。 page.asText() 将其还原为纯文本。
【讨论】：
只是想确认一下这只返回文本节点内的文本，不包括标签及其属性。【参考方案2】：我不能 100% 确定我正确理解了这个问题，但也许这会解决您的问题：
page.getWebResponse().getContentAsString()
【讨论】：
getWebResponse() 返回原始页面，没有脚本所做的修改。所以 asXml() 和 asText() 是获取最终页面的更好解决方案。【参考方案3】：我认为没有直接的方法可以将最终页面作为 HTML。 asXml() 以 XML 形式返回结果，asText() 返回提取的文本内容。
您能做的最好的事情就是使用 asXml() 并将其“转换”为 HTML：
htmlPage.asXml().replaceFirst("<\\?xml version=\"1.0\" encoding=\"(.+)\"\\?>", "<!DOCTYPE html>")
（当然，您可以应用更多转换，例如将 转换为 - 这取决于您的要求。）
即使related Google documentation 也推荐这种方法（尽管他们不应用任何转换）：
// return the snapshot
out.println(page.asXml());
【讨论】：
【参考方案4】：我不知道没有打开页面类型的答案，对于 XmlPage 和 SgmlPage，必须在 HTML 元素上执行 innerHTML 并手动写出属性。不优雅也不准确（它缺少文档类型），但它可以工作。
Page.getWebResponse().getContentAsString()
这是不正确的，因为它返回原始未渲染的文本形式，没有 js 字节。如果 javascript 执行并更改内容，则此方法将看不到更改。
page.asXml() 将返回 HTML。 page.asText() 将其返回为仅呈现文本。
只是想确认这仅返回文本节点内的文本，不包括标签及其属性。如果您希望获取完整的 HTML，这不是很好的方法。
【讨论】：
【参考方案5】：也许你想使用这样的东西，而不是使用 HtmlUnit 框架的方法：
try (InputStreamReader isr = new InputStreamReader(url.openConnection().getInputStream());
BufferedReader br = new BufferedReader(isr);)
String line ="";
String htmlSource ="";
while((line = br.readLine()) != null)
htmlSource += line + "\n";
return htmlSource;
catch (IOException e)
// TODO Auto-generated catch block
e.printStackTrace();
【讨论】：
【参考方案6】：这是适合我的解决方案：
ScriptResult scriptResult = htmlPage.executeJavaScript("document.documentElement.outerHTML;");
System.out.println(scriptResult.getJavaScriptResult().toString());
【讨论】：
以上是关于HtmlUnit - 将 HtmlPage 转换为 HTML 字符串？的主要内容，如果未能解决你的问题，请参考以下文章