是否存在生成的节点保留原始文本索引的Java HTML解析器？

我希望以XML形式查询HTML文档（例如使用XPath），因此我需要通过某种形式的HTML清理器传递HTML

但我还想根据查询结果修改原始源字符串

是否有一个Java HTML解析器保留原始源字符串的索引，这样我就可以找到一个节点并修改原始字符串的正确部分

干杯。

我不知道“保留原始文本的索引”部分，但它是一个非常好的HTML解析器库

以下是如何从html中删除每个跨距的示例：

publicstaticstringremovespans（字符串html）{
源代码=新源代码（html）；
source.fullSequentialParse（）；
OutputDocument OutputDocument=新的OutputDocument（源）；
List tags=source.getAllTags（）；
用于（标记：标记）{
字符串标记名=tag.getName（）.toLowerCase（）；
if（标记名.equals（“span”））{
//移除
outputDocument.remove（标签）；
}
}
返回outputDocument.toString（）；
}

我想你可以用

---

您可以使用类和从类获取原始的索引。

正如其他人所建议的，您可能希望呈现DOM。这基本上只意味着构建节点树，它不会改变文档源，除非您使用类似HTML的清理程序。这样您就可以轻松访问该文档，并可以根据需要对其进行修改。我建议，它也有很好的api和xpath支持

---

重新定义“索引”要求，在遍历/查询文档的过程中，您可以在列表中缓存或映射任何元素或节点，以便稍后修改其文本。

听起来Jericho几乎就是您想要的。它是一个健壮的HTML解析器，专门设计用于对源文档进行非侵入性修改

虽然它没有DOM、SAX或StAX接口，但它有定制的API，这些API与这些标准非常相似，您应该能够相当轻松地将您的方法适应它们，或者在您正在使用的任何东西和Jericho之间编写适配器。例如，您可以使用Jaxen对Jericho文档执行XPath查询——请参见示例

Jericho对每个元素都有和end属性，甚至对于元素的某些部分，如标记名或属性名，因此您可以使用这些信息自己编辑文档，但Jericho真正的亮点是OutputDocument类，它允许您通过使用与查询匹配的Jericho元素调用适当的方法来直接指定替换，而不必显式地对它们调用getBegin（）和getEnd（），并将其传递给某个替换方法。

这非常有效

范例

Tidy tidy = new Tidy(); // obtain a new Tidy instance
tidy.setXHTML(boolean xhtml); // set desired config options using tidy setters 
...                           // (equivalent to command line options)

tidy.parse(inputStream, System.out);

对于抓取DOM，我建议使用JDOM，它比简单的XML更快

就实现而言，我将创建一个新文档，并从源代码向其中添加节点。

我们使用它进行解析和实际清理

我们修复了服务器应用程序（内存管理、日志记录）中jericho的行为问题。（最初的开发人员认为我们的问题不够重要，不能放到主代码分支中）。 我们还制作了。

您可以试着使用

您可以采取（至少）两种方法—尝试将其用作实际的HTML解析器，然后将索引放入您感兴趣的原始字符串中

---

或者，它还内置了对源文本进行就地转换的支持，您可以将要对文本执行的转换定义为语法的一部分。

使用DOM然后将其转换为字符串表示不是更好吗？您将有一个更干净的HTML版本以及您的更改。您需要修改原始源字符串的具体原因是什么？我可以想出一个。如果您不必费力地处理大量文本更改（这些更改只是由于解析器以稍微不同的方式呈现XML的结果），那么就可以更容易地找出所做的实质性修改。Vivin-我正在尝试从HTML页面“清理”某些敏感项，以便可以对原始HTML运行其他解析测试（敏感数据被999或xxx等覆盖）。此外，我希望能够在Java和Javascript中运行不同的测试，因此原始源代码是我的最佳起点，因为Java HTML解析器和每个浏览器的HTML解析器可能会导致不同的DOM（尽管它们可能不应该）。很抱歉投了反对票，但此答案与我的问题无关。我会检查此答案并让您知道。我也会检查此答案。谢谢。我会在尝试后回来回答每个问题。

DocumentBuilderFactory factory =
DocumentBuilderFactory.newInstance();
DocumentBuilder builder = factory.newDocumentBuilder();
Document doc = builder.newDocument();
Element root = doc.createElement("root");
Text text = doc.createText("This is the root");
root.appendChild(text);
doc.appendChild(root);