如何使用 Java 解析 Html 并以字符串形式获取结果答案

【问题标题】：How to parse a Html and get the result as a String using Java如何使用 Java 解析 Html 并以字符串形式获取结果
【发布时间】：2015-05-28 22:53:42
【问题描述】：

我想解析一个 Html 并将结果作为一个字符串。鉴于外部 Html 的正文包含另一个 Html 字符串，我希望将内部 Html 作为输出字符串。

示例> 输入 HTML：

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"><html><head></head><body><p>&lt;!DOCTYPE html&gt;<br />&lt;html&gt;<br />&lt;body&gt;<br /><br />&lt;h1&gt;My First Heading&lt;/h1&gt;<br /><br />&lt;p&gt;My first paragraph.&lt;/p&gt;<br /><br />&lt;/body&gt;<br />&lt;/html&gt;<br /><br /></p></body></html>

输出字符串：

<!DOCTYPE html><html><body><h1>My First Heading</h1><p>My first paragraph.</p></body></html>

重要提示：我正在使用 HTML 编辑器，如果我在其中输入内容，它会在执行 getText 时返回该输入的 HTML 表示，上面的第一个 Html 字符串仅是该表示。

此外，输出字符串应该与我在这里运行第一个字符串时相同（http://www.w3schools.com/html/tryit.asp?filename=tryhtml_basic）

请帮帮我。

【问题讨论】：

有趣的问题。

标签： java html html-parsing jsoup jericho-html-parser

【解决方案1】：

我会使用一些正则表达式：

(<!DOCTYPE html>).*(<html>.*</html>).+

并采取第 1 组和第 2 组，

    tst = tst.replaceAll("<", "<").replaceAll(">",">");
    Pattern p = Pattern.compile("(<!DOCTYPE html>).*(<html>.*</html>).*</html>.*");
    Matcher m = p.matcher(tst);
    m.find();
    System.out.println(m.group(1) + m.group(2));

示例运行： http://rextester.com/JTOJ89529

【讨论】：

我刚刚编辑了我的问题。现在，如果您在这里尝试第一个语句（w3schools.com/html/tryit.asp?filename=tryhtml_basic_document），那么您将得到类似于第二个语句的内容。我需要这样的东西。实际上，我使用的是 HTML 编辑器，如果我在其中输入内容，它会在执行 getText 时返回该输入的 HTML 表示。我想解析它并获取原始内容。
在应用正则表达式之前替换 char ： tst = tst.replaceAll("<", "");我已经编辑了响应和运行的示例。