Java Jsoup解析和嵌套标记_Java_Jsoup

Java Jsoup解析和嵌套标记

java

Java Jsoup解析和嵌套标记,java,jsoup,Java,Jsoup,我正在学习Jsoup，并拥有以下HTML： [...]  Content  Content  Content [...] 返回： <htm

我正在学习Jsoup，并拥有以下HTML：

 [...]
 <p style="..."> <!-- div 1 -->
   Content
 </p>
 <p style="..."> <!-- div 2 -->
   Content
 </p>
 <p style="..."> <!-- div 3 -->
   Content
 </p>
 [...]

 <html>
 <head>
    <title>Title</title>
 </head>
 <body>
    <p style="margin-left:2em">
            <span class="one">Text</span>
            <span class="two"><span class="nest">Text</span></span>
            <span class="three"></span>
    </p>
    <p style="margin-left:2em">
            <span class="one">Text</span>
            <span class="two"><span class="nest">Text</span></span>
            <span class="three"></span>
    </p>
    <p style="margin-left:2em">
            <span class="one">Text</span>
            <span class="two"><span class="nest">Text</span></span>
            <span class="three"></span>
            <p style="margin-left:2em"></p>
            <p style="margin-left:2em"></p>
    </p>

 </body>
 </html>

Document doc = null;
doc = Jsoup.connect(URL_with_HTML).get();
System.out.println(doc.outerHtml());

<html>
<head> 
 <title>Title</title> 
</head> 
<body> 
 <p style="margin-left:2em"> <span class="one">Text</span> <span class="two"><span class="nest">Text</span></span> <span class="three"></span> </p> 
 <p style="margin-left:2em"> <span class="one">Text</span> <span class="two"><span class="nest">Text</span></span> <span class="three"></span> </p> 
 <p style="margin-left:2em"> <span class="one">Text</span> <span class="two"><span class="nest">Text</span></span> <span class="three"></span> </p>
 <p style="margin-left:2em"></p> 
 <p style="margin-left:2em"></p> 
 <p></p>   
</body>
</html>


标题
文本文本
文本文本
文本

这对吗？我正在使用JSOUP1.6.1。我理解Jsoup应该返回嵌套的段落，而不是以前的返回。

Hj，我理解原来的问题。但我认为这是Jsoup的一个bug（不是你的）。因为这是一个简单的例子：

<html>
    <head></head>
    <body>
        <p></p>
        <p>
            <div></div>
        </p>
    </body>
</html>

但Jsoup分析如下：

<html>
    <head></head>
    <body>
        <p></p>
        <p></p>
        <div></div>
        <p></p>
    </body>
</html>

如果可以，请将此错误归档，以便作者可以修复它：-）

注意：只要一个单词“嗨”，stackoverflow就不允许这样做？

嵌套段落在HTML中不存在。上一段自动关闭，因为：

标签由以下任一项自动关闭：

地址

，

文章

，

旁白

，

块引号

，

div

，

dl

，

字段集

，

页脚

，

表单

，

h1

，

h2

，

h3

，

h4

，

，h6
，header
，hgroup
，hr
，main
，菜单
，nav
，ol
，p
，pre
，节
，表
，或ul
。因此变成


名称为p
（即
）且没有相应开始标记的结束标记是解析错误，将替换为
。因此
成为
所以jsoup是正确的，而HTML是无效的
请务必理解，HTML是无效的，因为您有太多的
，而不是因为“嵌套”段落。嵌套无法发生，因为它们会自动关闭。但是后来的
已经过时，因为“对应的”
之前已经自动关闭了。
这似乎是一个bug。如果可以，请将其归档。我添加了带有文件/代码的示例以澄清。我怀疑这不是一个bug。如果更换“可疑”，工作正常。也许，中的是HTML不正确的，Jsoup理解并尝试修复它吗？根据我的经验，Jsoup不关心HTML关键字。我一直在使用Jsoup解析XML，效果很好。您可以使用Jsoup.parse（“”）进行测试。
不允许包含任何块元素！所以这个“简单”的例子是无效的（X）HTML。@FabianBarney，谢谢，我知道了。仅p标记就有类似的问题。当我解析这个HTML示例文本时，我得到了作为
示例文本的输出示例1
示例2非常感谢！HTML代码是第三部分（不是我的），我没有修改它。现在，我如何解决这个问题？（将嵌套段落替换为span class=“p”，例如，如果问题出现在parse（）方法中？@FabianBarney，Jsoup不关心有效的HTML标记。请使用
Jsoup.parse（“”
）进行测试。但是Jsoup关心“真实世界”的HTML解析。自动关闭
和
中嵌套块元素的未定义行为是真实的解析。如果使用绝对合法的HTML，如…第一段第二段…
，则会遇到很多麻烦。不关闭
是合法的@Manz jsoup与浏览器非常相似，也进行解析。使用诸如Firebug之类的工具检查页面，您将看到HTML也得到了相同的解释。（自动关闭的p标签等）我们无法告诉您如何修复它，因为不清楚您想要的输出应该是什么样子。如果需要嵌套块元素，则不能将
用作外部标记。用代替…@FabianBarney，谢谢你，我直到现在才知道。
<html>
    <head></head>
    <body>
        <p></p>
        <p>
            <div></div>
        </p>
    </body>
</html>

<html>
    <head></head>
    <body>
        <p></p>
        <p></p>
        <div></div>
        <p></p>
    </body>
</html>