Question

我想将一些Html字符串解析为org.w3c.dom.Document，我使用这个方法：

public static Document stringToDocument(String input){
    try {
        DocumentBuilder db = DocumentBuilderFactory.newInstance().newDocumentBuilder();
        InputSource is = new InputSource();
        is.setCharacterStream(new StringReader(input));
        Document doc = db.parse(is);
        return doc;
    }catch (Exception e){
        e.printStackTrace();
        return null;
    }
}

在大多数html上工作正常，除了html字符串有＆＃34; colgroup＆＃34;和＆＃34; col＆＃34;标签（如下所示）

<html dir="rtl"><head><meta charset="utf-8"/></head>
<body>
<table>
<colgroup>
<col width="29">
<col style="width:54pt" span="4" width="72">
<col width="4">
</colgroup>
<tbody>
<tr>
<td>test</td>
<td>105</td>
<td>110</td>
</tr>
<tr>
<td>456</td>
<td>456</td>
<td>786</td>
</tr>
</tbody>
</table>
</body>
</html>

方法引发的异常是：

org.xml.sax.SAXParseException; lineNumber: 8; columnNumber: 6; The end-tag for element type "col" must end with a '>' delimiter.
at org.apache.xerces.parsers.DOMParser.parse(Unknown Source)
at org.apache.xerces.jaxp.DocumentBuilderImpl.parse(Unknown Source)

根据w3schools，col标签语法是正确的，我不知道如何解决这个问题。

Answer 1

问题是HTML不是XML格式。请参阅此处http://courses.cs.vt.edu/~cs1204/XML/htmlVxml.html或此处 http://www.xmlobjective.com/what-is-the-difference-between-xml-and-html/或https://webkit.org/blog/68/understanding-html-xml-and-xhtml/或使用您最喜欢的搜索引擎并搜索：xml vs html

顺便说一下。如果您真的想解析HTML，可以使用第三方库，如https://jsoup.org/或http://htmlcleaner.sourceforge.net/

java xml解析器异常：元素类型的结束标记＆＃34; col＆＃34;必须以＆＃39;＆gt;＆＃39;结尾。分隔符

1 个答案: