java - 帮助 Java Swing HTML 解析

Question

我正在使用 Java Swing HTML 解析库解析 HTML 文档集合，并尝试隔离 <title> 之间的文本。标签，以便我可以使用它们来识别文档，但自从handleStartTag以来我很难做到这一点方法无法访问标签内的文本

Answer 1

您可以使用 XPath 从 HTML 中提取数据:

String html = //...

//read the HTML into a DOM
StreamSource source = new StreamSource(new StringReader(html));
DOMResult result = new DOMResult();
Transformer transformer = TransformerFactory.newInstance().newTransformer();
transformer.transform(source, result);
Node root = result.getNode();

//use XPath to get the title
XPath xpath = XPathFactory.newInstance().newXPath();
String title = xpath.evaluate("/html/title", root);

但是，HTML 必须是格式良好的 XHTML 才能正常工作。例如，“
”标记在 HTML 中有效，但在 XHTML 中无效，因为它未闭合。它必须是“
”才能在 XHTML 中有效。