Fatal编程技术网
  • java/
  • Java 如何在Jsoup解析中避免周围的html头标记

Java 如何在Jsoup解析中避免周围的html头标记

java html parsing

Java 如何在Jsoup解析中避免周围的html头标记,java,html,parsing,jsoup,Java,Html,Parsing,Jsoup,我尝试使用Jsoup解析给定的html内容。在Jsoup.parse（）之后，html输出将html、head和body标记附加到输入。我只想忽略这些 样本输入： <p><b>This <i>is</i></b> <i>my sentence</i> of text.</p> <html><head></head><body><p><

我尝试使用Jsoup解析给定的html内容。在Jsoup.parse（）之后，html输出将html、head和body标记附加到输入。我只想忽略这些

样本输入：

<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>

<html><head></head><body><p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
    </body></html>

<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>

******* HTML *******
<html>
 <head></head>
 <body>
  <p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
 </body>
</html>

*******  XML *******
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
实际输出：

<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>

<html><head></head><body><p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
    </body></html>

<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>

******* HTML *******
<html>
 <head></head>
 <body>
  <p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
 </body>
</html>

*******  XML *******
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>

这是我的文字句子
预期输出：

<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>

<html><head></head><body><p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
    </body></html>

<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>

******* HTML *******
<html>
 <head></head>
 <body>
  <p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
 </body>
</html>

*******  XML *******
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>

这是我的文字句子
请帮助。

原因： 
parseBodyFragment（）
以及所有其他
parse（）
-默认情况下，方法使用HTML解析器。而那些总是添加HTML外壳（
…
，
…
等等）

解决方案： 只是不要使用HTML解析器，而是使用XML解析器

换掉那一行，你的问题就解决了

例子： 
final String html=“这是我的文本句子。
”；
Document docHtml=Jsoup.parse（html）；
Document docXml=Jsoup.parse（html，“，Parser.xmlParser（））；
System.out.println（“*********HTML*********\n”+docHtml）；
System.out.println（）；
System.out.println（“*******XML******\n”+docXml）；
输出：

<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>

<html><head></head><body><p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
    </body></html>

<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>

******* HTML *******
<html>
 <head></head>
 <body>
  <p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>
 </body>
</html>

*******  XML *******
<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>

*******HTML*******
这是我的课文句子

*******XML*******
这是我的课文句子
要获得预期的输出，它实际上是：

final String html = "<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>";
Document doc = Jsoup.parseBodyFragment(html);
doc.outputSettings().prettyPrint(false);

System.out.println(doc.body().html());

final String html=“这是我的文本句子。
”；
Document doc=Jsoup.parseBodyFragment（html）；
doc.outputSettings（）.prettyPrint（false）；
System.out.println（doc.body（）.html（））；
您可以尝试使用XML解析器，但这并不总是有效的，因为HTML并不总是XML；它通常有未终止的标记，如
和

。最好还是坚持使用HTML解析器。您可以依赖于有
、
和
标记，它们很容易丢弃。只需通过选择body标记获取HTML片段，并请求其HTML

Document doc = Jsoup.parseBodyFragment(html);
        doc.outputSettings().prettyPrint(false);
        System.out.println(doc.select("body").html());
您还可以将Jsoup.parse与HTML解析器一起使用。你所需要做的就是去掉
html
和
body
包装

这可以通过选择
主体
元素并展开它来完成：

String input = "<p><b>This <i>is</i></b> <i>my sentence</i> of text.</p>";
Node content = Jsoup.parse(input).body().unwrap();
System.out.println(content.html());
这应该对你有帮助@吉坦德拉：我想要这样的财产。这样做的一个潜在缺点是，您没有得到任何HTML整理—XML解析器不关心HTML5结构，而是让内容按原样通过。如果您想要整洁的正文HTML，请使用
Jsoup.parseBodyFragment（HTML.body（）这仅在html为xml时有效。不幸的是，如果您有像img标记这样的东西没有终止，xml解析器将假定以下标记在内部。UPPOWED用于警告xml解析器。我几乎做到了这一点，尽管我的jsoup用例是纠正图像。还想在body元素上添加comment.html（），它只是内部html。它不包括周围的主体标记。