使用 XPath 解析损坏的 HTML 站点 [重复]答案

【问题标题】：Parse broken HTML Sites with XPath [duplicate]使用 XPath 解析损坏的 HTML 站点 [重复]
【发布时间】：2013-03-31 12:55:03
【问题描述】：

我在这里只收到关于 python 的问题，我发现的工具主要是针对 python 的，所以新问题：我需要使用 XPath 从 HTML 站点查询一些内容。

我当前的代码如下所示：

URL url = new URL("http://somesite.com");
connection = (HttpURLConnection) url.openConnection();
connection.connect();

Document doc = DocumentBuilderFactory.newInstance().newDocumentBuilder()
                                     .parse(new InputSource(connection.getInputStream()));

XPathFactory xPathfactory = XPathFactory.newInstance();
XPath xpath = xPathfactory.newXPath();
XPathExpression expr = xpath.compile("//span[@class='a-class']");
String price = (String) expr.evaluate(doc, XPathConstants.STRING);

问题是，页面损坏或 XPath 有一些问题要读取：

[致命错误]：4:254：实体名称必须紧跟在实体引用中的“&”之后。
org.xml.sax.SAXParseException；行号：4；列号：254；实体名称必须紧跟在实体引用中的“&”之后。
在 com.sun.org.apache.xerces.internal.parsers.DOMParser.parse(DOMParser.java:251)
在 com.sun.org.apache.xerces.internal.jaxp.DocumentBuilderImpl.parse(DocumentBuilderImpl.java:300)

有什么工具可以更好地阅读html网站吗？还是我应该只在页面上使用正则表达式？

【问题讨论】：

标签： java html xml xpath

【解决方案1】：

有什么工具可以更好的阅读html网站吗？

人们高度评价jsoup。

【讨论】：

哇，jsoup 就像一个魅力！
@reox：酷！很高兴有帮助。