如何在 Java 中解析 HTML 字符串？

Posted 2023-03-05

技术标签:

【中文标题】如何在 Java 中解析 HTML 字符串？【英文标题】：How can I parse a HTML string in Java? 【发布时间】：2010-12-02 15:32:12 【问题描述】：

给定字符串"<table><tr><td>Hello World!</td></tr></table>"，获取代表它的DOM 元素的（最简单）方法是什么？

【问题讨论】：

【参考方案1】：

可以使用一些 javax.swing.text.html 实用程序类来解析 HTML。

import java.io.IOException;
import java.io.StringReader;
import javax.swing.text.html.HTMLDocument;
import javax.swing.text.html.HTMLEditorKit;
import javax.swing.text.html.parser.ParserDelegator;
//...
try 
    String htmlString = "<html><head><title>Example Title</title></head><body>Some text...</body></html>";
    HTMLEditorKit htmlEditKit = new HTMLEditorKit();
    HTMLDocument htmlDocument = (HTMLDocument) htmlEditKit.createDefaultDocument();
    HTMLEditorKit.Parser parser = new ParserDelegator();
    parser.parse(new StringReader(htmlString),
            htmlDocument.getReader(0), true);
    // Use HTMLDocument here
    System.out.println(htmlDocument.getProperty("title")); // Example Title
 catch(IOException e)
    //Handle
    e.printStackTrace();

见：

HTMLDocument HTMLEditorKit

【讨论】：

【参考方案2】：

如果你有一个包含 HTML 的字符串，你可以使用 Jsoup 这样的库来获取 HTML 元素：

String htmlTable= "<table><tr><td>Hello World!</td></tr></table>";
Document doc = Jsoup.parse(htmlTable);

// then use something like this to get your element:
Elements tds = doc.getElementsByTag("td");

// tds will contain this one element: <td>Hello World!</td>

祝你好运！

【讨论】：

【参考方案3】：

我在某个地方找到了这个（不记得在哪里）：

 public static DocumentFragment parseXml(Document doc, String fragment)
 
    // Wrap the fragment in an arbitrary element.
    fragment = "<fragment>"+fragment+"</fragment>";
    try
    
        // Create a DOM builder and parse the fragment.
        DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
        Document d = factory.newDocumentBuilder().parse(
                new InputSource(new StringReader(fragment)));

        // Import the nodes of the new document into doc so that they
        // will be compatible with doc.
        Node node = doc.importNode(d.getDocumentElement(), true);

        // Create the document fragment node to hold the new nodes.
        DocumentFragment docfrag = doc.createDocumentFragment();

        // Move the nodes into the fragment.
        while (node.hasChildNodes())
        
            docfrag.appendChild(node.removeChild(node.getFirstChild()));
        
        // Return the fragment.
        return docfrag;
    
    catch (SAXException e)
    
        // A parsing error occurred; the XML input is not valid.
    
    catch (ParserConfigurationException e)
    
    
    catch (IOException e)
    
    
    return null;

【讨论】：

【参考方案4】：

这是一种方法：

import java.io.*;
import javax.swing.text.*;
import javax.swing.text.html.*;
import javax.swing.text.html.parser.*;

public class HtmlParseDemo 
   public static void main(String [] args) throws Exception 
       Reader reader = new StringReader("<table><tr><td>Hello</td><td>World!</td></tr></table>");
       HTMLEditorKit.Parser parser = new ParserDelegator();
       parser.parse(reader, new HTMLTableParser(), true);
       reader.close();
   


class HTMLTableParser extends HTMLEditorKit.ParserCallback 

    private boolean encounteredATableRow = false;

    public void handleText(char[] data, int pos) 
        if(encounteredATableRow) System.out.println(new String(data));
    

    public void handleStartTag(HTML.Tag t, MutableAttributeSet a, int pos) 
        if(t == HTML.Tag.TR) encounteredATableRow = true;
    

    public void handleEndTag(HTML.Tag t, int pos) 
        if(t == HTML.Tag.TR) encounteredATableRow = false;

【讨论】：

如果我想把所有的数据块放到外部类的一个数组中，而不是打印出来呢？ @Imray，去吧，我允许你把它们放在某种收藏中而不是打印出来:) 我将它们放在HTMLTableParser 类中的一个集合中，然后创建了一个getter 方法来获取它们。这是最好的方法吗？ @BartKiers 它与主题问题有什么关系？？问题是“获取代表它的 DOM 元素”，而不是捕获 SAX 事件！【参考方案5】：

我使用了Jericho HTML Parser 它是 OSS，检测（原谅）格式错误的标签并且是轻量级的

【讨论】：

【参考方案6】：

您可以使用 HTML Parser，它是一个用于以线性或嵌套方式解析 HTML 的 Java 库。它是一个开源工具，可以在 SourceForge 上找到

【讨论】：

【参考方案7】：

You could use Swing: