使用XPath包含Java中的HTML

我正在使用java程序中的XPath从HTML页面中抓取值来获取特定标记，偶尔使用正则表达式来清理我收到的数据。

经过一些研究，我将HTML Cleaner（ http://htmlcleaner.sourceforge.net/ ）作为将原始HTML解析为良好XML格式的最可靠方法。 但是，HTML Cleaner只支持XPath 1.0，我发现自己需要像’contains’这样的函数。 例如，在这段XML中：

 Hello  

我希望能够通过以下XPath获取文本“Hello”：

 //div/td[contains(@id, 'foo')]/text() 

有没有办法获得这个function？ 我有几个想法，但如果我不需要，我宁愿不重新发明轮子：

• 如果有办法调用HTML Cleaner的evaluateXPath并返回TagNode（我还没有找到），我可以在返回的TagNode上使用XML序列化程序并将XPath链接在一起以实现所需的function。
• 我可以使用HTML Cleaner清理XML，将其序列化为字符串，并将其与另一个XPath库一起使用，但我找不到适用于字符串的优秀java XPath评估程序。
• 使用像getElementsByAttValue这样的TagNode函数，我基本上可以重新创建XPath评估并使用String.contains插入包含function

简短的问题：有没有办法在现有Java库中使用HTML包含HTML？

Answer 1

关于这个：

我可以使用HTML Cleaner清理XML，将其序列化为字符串，并将其与另一个XPath库一起使用，但我找不到适用于字符串的优秀java XPath评估程序。

这正是我要做的（除了你不需要对字符串进行操作（见下文））。

很多HTML解析器试图做太多 。 例如，HTMLCleaner没有正确/完全实现XPath 1.0规范（ contains （例如） 是 一个XPath 1.0函数 ）。 好消息是你不需要它。 HTMLCleaner所需要的只是解析格式错误的输入。 完成后，最好使用标准XML接口来处理生成的（现在格式良好的）文档。

首先将文档转换为标准的org.w3c.dom.Document如下所示：

 TagNode tagNode = new HtmlCleaner().clean( "
"); org.w3c.dom.Document doc = new DomSerializer( new CleanerProperties()).createDOM(tagNode);
Hello 

然后使用标准的JAXP接口来查询它：

 XPath xpath = XPathFactory.newInstance().newXPath(); String str = (String) xpath.evaluate("//div//td[contains(@id, 'foo')]/text()", doc, XPathConstants.STRING); System.out.println(str); 

输出：

 Hello