在java中解析带有“unclosed tags”的html

Question

我的问题很简单： 有没有办法将java中的html解析为DOM-Document，如果htmlcontent中有这样的img-tag标签？

<p><img src="..."></p>

这是在解析这些元素时给我一个SAXException的Codesnippet：

DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
DocumentBuilder db = dbf.newDocumentBuilder();

InputStream is = new ByteArrayInputStream( htmlcontent.getBytes());
Document dom = db.parse(is);
is.close();

Answer 1

我不这么认为，但jsoup可以做到这一点。它不是DOM API，但它非常相似。

Answer 2

您不能使用DocumentBuilder，因为它是XML解析器。

但你需要一个HTML解析器，如：

• Jericho HTML Parser
• Neko HTML Parser

Answer 3

其中一个可能会有所帮助：

• http://htmlparser.sourceforge.net/
• http://home.ccil.org/~cowan/XML/tagsoup/

Answer 4

HTML不是XML。

除非您使用的是XHTML。

因此，XML解析器没有理由解析您的HTML。

使用像HtmlCleaner这样的HTML解析器。