Question

我正在学习Jsoup并拥有这个HTML：

 [...]
 <p style="..."> <!-- div 1 -->
   Content
 </p>
 <p style="..."> <!-- div 2 -->
   Content
 </p>
 <p style="..."> <!-- div 3 -->
   Content
 </p>
 [...]

我使用Jsoup.parse（）和文档select（“p”）来捕获“内容”（并且效果很好）。但...

 [...]
 <p style="..."> <!-- div 1 -->
   Content
 </p>
 <p style="..."> <!-- div 2 -->
   Content
 </p>
 <p style="..."> <!-- div 3 -->
   Content
   <p style="..."></p>
   <p style="..."></p>
 </p>
 [...]

在这个场景中，我看到Jsoup.parse（）将此代码转换为：

 [...]
 <p style="..."> <!-- div 1 -->
   Content
 </p>
 <p style="..."> <!-- div 2 -->
   Content
 </p>
 <p style="..."> <!-- div 3 -->
   Content
 </p>
 <p style="..."> <!-- div 4 -->
 </p>
 <p style="..."> <!-- div 5 -->
 </p>
 [...]

如何使用Jsoup（div 3中的div 4＆amp; 5）保持嵌套段落的顺序？

添加示例：

HTML文件：

 <html>
 <head>
    <title>Title</title>
 </head>
 <body>
    <p style="margin-left:2em">
            <span class="one">Text</span>
            <span class="two"><span class="nest">Text</span></span>
            <span class="three"></span>
    </p>
    <p style="margin-left:2em">
            <span class="one">Text</span>
            <span class="two"><span class="nest">Text</span></span>
            <span class="three"></span>
    </p>
    <p style="margin-left:2em">
            <span class="one">Text</span>
            <span class="two"><span class="nest">Text</span></span>
            <span class="three"></span>
            <p style="margin-left:2em"></p>
            <p style="margin-left:2em"></p>
    </p>

 </body>
 </html>

Java代码：

Document doc = null;
doc = Jsoup.connect(URL_with_HTML).get();
System.out.println(doc.outerHtml());

返回：

<html>
<head> 
 <title>Title</title> 
</head> 
<body> 
 <p style="margin-left:2em"> <span class="one">Text</span> <span class="two"><span class="nest">Text</span></span> <span class="three"></span> </p> 
 <p style="margin-left:2em"> <span class="one">Text</span> <span class="two"><span class="nest">Text</span></span> <span class="three"></span> </p> 
 <p style="margin-left:2em"> <span class="one">Text</span> <span class="two"><span class="nest">Text</span></span> <span class="three"></span> </p>
 <p style="margin-left:2em"></p> 
 <p style="margin-left:2em"></p> 
 <p></p>   
</body>
</html>

这是正确的吗？我使用Jsoup 1.6.1。我知道Jsoup应该返回嵌套段落而不是之前的返回。

Answer 1

HTML中不存在嵌套段落。自Jsoup implements the WHATWG HTML5 specification以来，前一段自动关闭：

p代码会自动由以下任意标记关闭：address，article，aside，blockquote，div，{ {1}}，dl，fieldset，footer，form，h1，h2，h3，{{1 }}，h4，h5，h6，header，hgroup，hr，main，menu ，nav，ol，p，pre或section。因此table。
名称为ul（即<p><div></div> becomes <p></p><div></div>）且没有相应开始标记的结束标记是解析错误，并替换为p。因此</p>变为<p>。

所以jsoup是正确的，你的HTML无效。

请务必理解您的HTML无效，因为您有太多<span></span></p>而不是因为“嵌套”段落。嵌套不能发生，因为它们会自动关闭。但是后来的<span></span><p>是obsolet，因为“对应的”</p>之前已经自动关闭。

Answer 2

Hj，我理解原来的问题。但我认为这是Jsoup（不是你的）的错误。由于这是一个简单的例子：

<html>
    <head></head>
    <body>
        <p></p>
        <p>
            <div></div>
        </p>
    </body>
</html>

但是Jsoup解析了这个：

<html>
    <head></head>
    <body>
        <p></p>
        <p></p>
        <div></div>
        <p></p>
    </body>
</html>

如果可以，请提交此错误，以便作者可以解决： - ）

P.S：只是一个单词“hi”，stackoverflow不允许它？

Jsoup解析和嵌套标签

2 个答案: