帮助Java Swing HTML解析

Question

我正在使用Java Swing HTML解析库解析HTML文档的集合，我试图在<title>标记之间隔离文本，以便我可以使用它们来识别文档但我很难由于handleStartTag方法无法访问标记内的文本

，因此实现了这一点

Answer 1

您可以使用XPath从HTML中提取数据：

String html = //...

//read the HTML into a DOM
StreamSource source = new StreamSource(new StringReader(html));
DOMResult result = new DOMResult();
Transformer transformer = TransformerFactory.newInstance().newTransformer();
transformer.transform(source, result);
Node root = result.getNode();

//use XPath to get the title
XPath xpath = XPathFactory.newInstance().newXPath();
String title = xpath.evaluate("/html/title", root);

然而，HTML必须是格式良好的XHTML才能实现。例如，“＆lt; br＆gt;”标记在HTML中有效，但在XHTML中无效，因为它未关闭。它必须是“＆lt; br /＆gt;”在XHTML中有效。