Question

很抱歉，如果这太简单了，但我根本找不到教程，也没有找到Java版TagSoup的文档。

基本上我想从互联网上下载HTML网页并将其转换为包含在字符串中的XHTML。我怎么能用TagSoup做到这一点？

谢谢！

Answer 1

这样的事情：

wget -O - example.com/bad.html | java -jar tagsoup.jar

或者，来自Java：

解析HTML：


创建org.ccil.cowan.tagsoup.Parser
的实例
提供您自己的SAX2 ContentHandler

提供引用HTML的InputSource

和parse()！

Answer 2

下面的代码应该为您提供一种方法来下拉网页并使用TagSoup进行相应的解析......

        HttpClient client = new DefaultHttpClient();
        HttpGet request = new HttpGet("http://streak.espn.go.com/en/?date=20120824");
        HttpResponse response = client.execute(request);

        // Check if server response is valid
        StatusLine status = response.getStatusLine();
        if (status.getStatusCode() != 200) {
            throw new IOException("Invalid response from server: " + status.toString());
        }

        // Pull content stream from response
        HttpEntity entity = response.getEntity();
        InputStream inputStream = entity.getContent();

        try
        {
            XMLReader parser = XMLReaderFactory.createXMLReader("org.ccil.cowan.tagsoup.Parser");

            // Use the TagSoup parser to build an XOM document from HTML
            Document doc = new Builder(parser).build(builder.toString());

            // Push your data to string or XML
            doc.toString();
            doc.toXML();
        }
        catch(IOException e)
        { ... }

使用TagSoup将HTML页面转换为XHTML

2 个答案: