使用Java中的XPath查询HTML页面

Question

有人可以建议我使用Java库来允许我在html页面上执行XPath查询吗？

我尝试使用JAXP，但它一直给我一个奇怪的错误，我似乎无法修复（线程“主”java.io.IOException：服务器返回HTTP响应代码：503为URL：http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd）。< / p>

非常感谢你。

修改

我发现了这个：

// Create a new SAX Parser factory
SAXParserFactory factory = SAXParserFactory.newInstance();

// Turn on validation
factory.setValidating(true);

// Create a validating SAX parser instance
SAXParser parser = factory.newSAXParser();

// Create a new DOM Document Builder factory
DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();

// Turn on validation
factory.setValidating(true);

// Create a validating DOM parser
DocumentBuilder builder = factory.newDocumentBuilder();

来自http://www.ibm.com/developerworks/xml/library/x-jaxpval.html但是将argumrent变为false并没有改变任何东西。

Answer 1

将解析器设置为“非验证”只会关闭验证;它不禁止获取DTD。获取DTD不仅需要验证，还需要实体扩展......据我所知。

如果要禁止提取DTD，则需要向EntityResolver或DocumentBuilderFactory注册正确的DocumentBuilder。实现EntityResolver的{​​{1}}方法以始终返回空字符串。

Answer 2

看看这个：

http://www.w3.org/2005/06/blog/systeam/2008/02/08/w3c_s_excessive_dtd_traffic

可能您已将解析器设置为执行DOM验证，并且它正在尝试检索DTD。 JAXP应该有一种方法来禁用DTD验证，并且只针对假定有效的文档运行XPATH。我没有使用过多年的JAXP，所以很抱歉我无法提供帮助。