将文本文件的内容传递到Jsoup并不会解析所有的html

Question

我有一个文本文件“Data3.txt”。这个文件包含很多html。

我将此文件传递给Jsoup，以便使用此示例解析所有html：“Jsoup : How to parse multiple HTML files from local drive?”。

我也打印出文档的内容，以确保它具有所有的html init。

但是文档只包含html的一小部分（html，head，script，body标签）。我究竟做错了什么？我如何传递所有的HTML

这是我的代码：

cameraLayout

我的Data3.txt文件：https://www.dropbox.com/s/83slaan4hmtzr9n/Data3.txt?dl=0

Answer 1

原因

发生在你身上的原因是Jsoup.parse()方法默认使用Parser.htmlParser()。根据{{​​1}}方法文档：

  

创建一个新的HTML解析器。此解析器将输入视为HTML5，并基于对传入标记的语义的了解强制创建规范化文档。

您的输入文件不包含有效且严格的HTML5。有效且严格的HTML5代码的要求之一是将所有HTML标记缩小。输入文件中的标记是大写的，因此默认解析器会跳过它们。

解决方案

您可以做两件事：

1. 更正输入文件，使其成为HTML5投诉。

2. 请改用Parser.xmlParser()，例如使用以下方法：

   Parser.htmlParser()

   https://jsoup.org/apidocs/org/jsoup/Jsoup.html#parse-java.io.InputStream-java.lang.String-java.lang.String-org.jsoup.parser.Parser-

   XmlParser将每个标记视为正确的标记，因此您必须注意切换到XmlParser意味着您的HTML代码不会被解析器验证。它旨在与XML文件一起使用，但它可以帮助您解决问题。

   当然，它需要使用Document document = Jsoup.parse(InputStream in, String charsetName, String baseUri, Parser parser); 代替InputStream，但可以轻松地将一个转换为另一个，例如File