Java HtmlCleaner在XPathr生成的某些XPath上失败

我正在使用HtmlCleaner2.1库对XPather插件生成的XPath与html进行比较，以从中获取内容。但有时候，HtmlCleaner无法计算xpath

对于e.x。 http://www.megaoutdoors.co.uk/norwegen-army-shirt-zipped-roll-top-collar-278-p.asp

对于产品名称，XPather给出的xpath是//body/div[11]/div[6]/div[2]/form/div[1]/h1 但当我使用HtmlCleaner评估它时，它失败了

我们怎样才能克服这个问题。当htmlcleaner清理页面时，页面结构是否会改变

谢谢
吉坦德拉

页面结构是否会随着时间而改变 htmlcleaner会清理它吗

根据上的介绍示例，HTMLCleaner当然可以在清理时更改页面的结构。在该示例中，它添加html和body元素，并将h1元素移出表

为什么不在页面上运行HTMLCleaner并查看其输出？然后，您就可以知道结构是否发生了变化以及如何发生了变化

有没有什么办法可以避免呢 换句话说，保持DOM由 HtmlCleaner尽可能靠近 由浏览器构建的DOM

您可以通过指定一个修改的标记信息集来实现这一点，该信息集不同于。这显然是配置DOM的“更正”的原因。（如果使用的是命令行界面，请参阅以了解如何使用它。）

---

或者如果你能推荐另一个 html解析器，其DOM非常接近 通过浏览器访问DOM，以便 由XPather插件生成的将失败 很少

我会尝试看看它对DOM有什么影响。它是一个被广泛使用的、成熟的程序，用于整理废弃的HTML

页面结构是否会随着时间而改变 htmlcleaner会清理它吗

根据上的介绍示例，HTMLCleaner当然可以在清理时更改页面的结构。在该示例中，它添加html和body元素，并将h1元素移出表

为什么不在页面上运行HTMLCleaner并查看其输出？然后，您就可以知道结构是否发生了变化以及如何发生了变化

有没有什么办法可以避免呢 换句话说，保持DOM由 HtmlCleaner尽可能靠近 由浏览器构建的DOM

您可以通过指定一个修改的标记信息集来实现这一点，该信息集不同于。这显然是配置DOM的“更正”的原因。（如果使用的是命令行界面，请参阅以了解如何使用它。）

---

或者如果你能推荐另一个 html解析器，其DOM非常接近 通过浏览器访问DOM，以便 由XPather插件生成的将失败 很少

---

我会尝试看看它对DOM有什么影响。它是一个被广泛使用且成熟的程序，用于整理废弃的HTML。

@Jitendra：一般来说，对于声称XHTML验证是一种格式不正确的XML的文档来说，这不是一个好的设计选择。它以什么方式失败？（例如，错误消息、获取错误数据、未获取数据…@Alejandro，这些网站不是我们的，但我们有权删除它们。因此，我们无论如何都必须将它们刮去。@LarsH，它失败的原因是，在计算上述xpath时，它给出了0个节点。@Jitendra：还要注意，由浏览器生成的DOM可能不同于由其他解析器生成的DOM（匿名元素、强制TBODY、邻接文本节点等）@Jitendra：一般来说，对于声称XHTML验证是一种格式不正确的XML的文档来说，这不是一个好的设计选择。它以什么方式失败？（例如，错误消息、获取错误数据、未获取数据…@Alejandro，这些网站不是我们的，但我们有权删除它们。因此，我们无论如何都必须将它们刮去。@LarsH，它失败的原因是，在计算上述xpath时，它给出了0个节点。@Jitendra：还要注意，由浏览器构建的DOM可能不同于由其他解析器（匿名元素、强制TBODY、邻接文本节点等）构建的DOM。Sry，问题的框架不是很好。我意识到页面结构发生了变化。有没有办法避免这种情况，或者换句话说，让HtmlCleaner生成的DOM尽可能接近浏览器生成的DOM。或者，如果您可以建议另一个html解析器，它的DOM非常接近浏览器生成的DOM，那么XPather插件生成的xpath很少会失败。@Jitendra，我更新了我的答案以回应这些评论。thnx Larsh，我肯定会尝试一下Html Tidy.Sry的JTidy java版本，这个问题的框架不是很好。我意识到页面结构发生了变化。有没有办法避免这种情况，或者换句话说，让HtmlCleaner生成的DOM尽可能接近浏览器生成的DOM。或者，如果您可以建议另一个html解析器，它的DOM非常接近浏览器生成的DOM，那么XPather插件生成的xpath很少会失败。@Jitendra，我更新了我的答案以回应这些评论。thnx Larsh，我一定会尝试JTidy java版本的Html Tidy。