Question

我正在寻找可以为我执行以下两项任务的XML / XHTML Java库/框架。

在进行一些定义之前：

NodeOffset(Node node, int offset)标记了XML树中文本节点的某些点。
nodeB，nodeI，nodeP是下面提到的XHTML树的相应Node个实例，nodeSpan是一些新创建的节点（其中Node 1}}不一定是org.w3c.dom.Node，可能是任何其他抽象）

将XHTML简化为纯文本

库应该能够从给定的XHTML生成明文输出（例如，通过实现CharSequence或类似）并在输出中的字符和原始XHTML节点树之间提供一对一映射（例如，通过函数NodeOffset getNodeOffset(int plainTextOffset)）。

示例：假设我们有以下XHTML：

<p><b>GeForce</b> 9300M GS provides powerful <i>visual computing features</i> to thin and light notebooks.</p>

然后明文表示显然是：

GeForce 9300M GS provides powerful visual computing features to thin and light notebooks.

然后，例如

getNodeOffset(0)应返回节点NodeOffset(nodeB, 0)
getNodeOffset(40)应返回节点NodeOffset(nodeI, 5)
getNodeOffset(80)应返回节点NodeOffset(nodeP, 49)。

我可能会错过正确的数字，但我希望，你明白了。我重复这个例子，现在插入了伪标记：

|GeForce 9300M GS provides powerful visua|l computing features to thin and light n|otebooks.

和

<p><b>|GeForce</b> 9300M GS provides powerful <i>visua|l computing features</i> to thin and light n|otebooks.</p>

节点操作

库应该提供将节点注入XHTML的可能性，XHTML可能跨越可能跨越节点边界的树，例如通过操作NodeSet insert(Node nodeToInsert, NodeOffset start, NodeOffset end, int mode)。该功能有两种模式：

mode1 ：如有必要，拆分要插入的节点。在这种情况下，从nodeToInsert节点拆分将作为操作结果返回。
mode2 ：关闭父节点。 nodeToInsert按原样返回。

例如：insert(nodeSpan, NodeOffset(nodeB, 2), NodeOffset(nodeP, 9), mode1)操作应生成

<p><b>Ge<span>Force</span></b><span> 9300M GS</span> provides powerful <i>visual computing features</i> to thin and light notebooks.</p>

insert(nodeSpan, NodeOffset(nodeB, 2), NodeOffset(nodeP, 9), mode2)操作应该产生：

<p><b>Ge</b><span><b>Force</b> 9300M GS</span> provides powerful <i>visual computing features</i> to thin and light notebooks.</p>

它类似于用户在富编辑器中所做的事情：

Ge ~~强制 9300M GS~~

我想知道，如果在OpenSource世界中有这样的东西，我真的不想重新实现轮子......我已经快速检查了Open Source HTML Parsers in Java但没有成功。

当你发表答案时：

确保库API中提供上述功能（提供指向JavaDoc的链接）。
该库是Java本机（无JNI）和OpenSource。

Answer 1

也许你可以试试jsoup - http://jsoup.org.

它是一个在MIT许可下分发的开源Java库。它的源代码可以在GitHub上找到。

从主页：

jsoup是一个用于处理真实HTML的Java库。它提供了一个非常方便的API，用于提取和操作数据，使用最好的DOM，CSS和类似jquery的方法。

使用jsoup，你可以：

使用DOM遍历或CSS选择器查找和提取数据

操纵HTML元素，属性和文本

这是它的Javadoc：http://jsoup.org/apidocs/

Answer 2

我包含了我已经拥有的代码，并在开源项目中对您的请求（WIP）进行了修改：ShtutXML。它有很多记录，所以我怀疑你使用它会有问题。

第一个请求（从全局位置查找节点和偏移量）已经内置，并且已经内置了XML中文本节点的拆分（因此您可以根据需要轻松地将它们包装在新节点中）。因此，添加用元素标记区域的逻辑是相当简单的。我稍后会尝试这样做，但这是我现在对此请求的最大努力。

在您的XML上，使用我的example program这是我的输出：

************* BASE DOCUMENT *****************
DOCUMENT ROOT
|-<p >
| |-<b >
| | |-Text: GeForce
| |-Text:  9300M GS provides powerful 
| |-<i >
| | |-Text: visual computing features
| |-Text:  to thin and light notebooks.

*** Text ***
"GeForce 9300M GS provides powerful visual computing features to thin and light notebooks."

*** Node of each text segment ***
[b: null]: GeForce
[p: null]:  9300M GS provides powerful 
[i: null]: visual computing features
[p: null]:  to thin and light notebooks.


*** Offset testing ***
offset 0 is at [b: null] at 0
offset 40 is at [i: null] at 5
offset 80 is at [p: null] at 48

要求它将元素拆分到全局位置4将产生

*********** Split(4) DOCUMENT *****************
DOCUMENT ROOT
|-<p >
| |-<b >
| | |-Text: GeFo
| | |-Text: rce
| |-Text:  9300M GS provides powerful 
| |-<i >
| | |-Text: visual computing features
| |-Text:  to thin and light notebooks.

*** Node of each text segment ***
[b: null]: GeFo
[b: null]: rce
[p: null]:  9300M GS provides powerful 
[i: null]: visual computing features
[p: null]:  to thin and light notebooks.

当然，这种语法拆分对于与该文档匹配的实际XML代码没有任何意义，但它允许一次将一个文本部分包装到您希望的任何其他节点。

编辑：已支持第一种插入模式

编辑2：已支持第二种插入模式

备注：

您可以进行的任何文件修改都会使所有偏移无效。稍后使用它们将导致整个文档损坏。因此，在每次修改后，您必须执行GetOffset以再次检索偏移量。

我知道有些功能没有记录。基本上，应该在包外部使用的唯一函数是您从StrXML类请求的函数。稍后将添加更多文档，您可以通过电子邮件（请参阅我的个人资料页面）与我联系以获取问题。

Answer 3

几年前我试过Jericho它使用它的API进行解析看起来很简单。我用它来登录雅虎邮件并从地址簿中获取联系人。我相信它可以做得更多。主页提到了您的要求之一“将XHTML简化为纯文本”作为其功能之一。可能与您的问题相关的一些功能是

从HTML标记中提取所有文本的内置功能
可以访问所有已解析段的源文档中的开始和结束位置，只允许修改文档的选定段，而无需从树中重建整个文档。

它的免费开源。（引用网站：因此，您可以在商业应用程序中使用它，但须遵守其中任何一个许可文档中详述的条款。）

Java中的XHTML操作库

将XHTML简化为纯文本

节点操作

3 个答案: