如何在使用HTML单元解析HTML之前清理HTML

Question

我正在使用HtmlUnit抓取html，但html格式错误，标签很少，因此HtmlUnit会给出错误的结果。所以我需要在将它传递给HtmlUnit之前清理它。

我该怎么做。

赞赏一个简短的代码片段或教程

Answer 1

我相信你可以通过实施自己的WebConnectionWrapper来实现这一目标。然后你必须找到一些正确修复它的HTML库（如果可能的话）。您应该做的就是确保包装器将内容发送到库，以便当它到达HTMLUnit的解析器时，HTML内容已经被处理。