java - NekoHTML SAX 片段解析

Question

我正在尝试使用 NekoHTML 解析一个简单的 HTML 片段:

<h1>This is a basic test</h1>

为此，我设置了 specific Neko feature不要有任何 HTML、HEAD 或 BODY 标记调用 startElement(..) 回调。

不幸的是，它对我不起作用。我当然错过了一些东西，但不知道它会是什么。

这是一个非常简单的代码来重现我的问题:

 public static class MyContentHandler implements ContentHandler {

     public void characters(char[] ch, int start, int length) throws SAXException {
         String text = String.valueOf(ch, start, length);
         System.out.println(text);
     }

     public void startElement(String nameSpaceURI, String localName, String rawName, Attributes attributes) throws SAXException {
         System.out.println(rawName);
     }

     public void endElement(String nameSpaceURI, String localName, String rawName) throws SAXException {
         System.out.println("end " + localName);
     }
 }

以及启动测试的 main() :

  public static void main(String[] args) throws SAXException, IOException {
       SAXParser saxReader = new SAXParser();
       // set the feature like explained in documentation : http://nekohtml.sourceforge.net/faq.html#fragments
       saxReader.setFeature("http://cyberneko.org/html/features/balance-tags/document-fragment", true);
       saxReader.setContentHandler(new MyContentHandler());
       saxReader.parse(new InputSource(new StringInputStream("<h1>This is a basic test</h1>")));
  }

对应的输出:

HTML
HEAD
end HEAD
BODY
H1
This is a basic test
end H1
end BODY
end HTML

而我期待的是

H1
This is a basic test
end H1

有什么想法吗？

Answer 1

我终于明白了!

实际上，我正在 GWT 应用程序中解析 HTML 字符串，我在其中添加了 gwt-dev.jar 依赖项。这个jar包封装了很多外部库，比如xercesImpl。但嵌入的 xerces 类的版本与 NeokHTML 所需的版本不匹配。

作为一个(奇怪的)结果，NeokHTML SAX 解析器在使用 gwt-dev 嵌入式 xerces 版本时似乎没有使用任何自定义功能。

因此，我必须重新编写一些代码以删除 gwt-dev 依赖项，顺便说一句，不建议将其添加到任何标准 GWT 项目中。