Jsoup解析和嵌套标签答案

【问题标题】：Jsoup parse and nested tagsJsoup解析和嵌套标签
【发布时间】：2012-03-24 17:31:10
【问题描述】：

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 document select("p") 来捕获“内容”（效果很好）。但是……

 [...]
 <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() 将这段代码转换为：

 [...]
 <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 保持嵌套段落的顺序（div 3 内的 div 4 和 5）？

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());

<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以前的返回。

【问题讨论】：

这似乎是一个错误。如果可以，请归档。
我添加了带有文件/代码的示例以进行澄清。

标签： java jsoup

【解决方案1】：

HTML 中不存在嵌套段落。上一段自Jsoup implements the WHATWG HTML5 specification起自动关闭：

p 标记会被以下任一自动关闭：address、article、aside、blockquote、div、dl、fieldset、footer、 987654331 @，h1，h2，h3，h4，h5，h6，header，hgroup，hr，main，menu，nav 、ol、p、pre、section、table 或 ul。因此<div></div> becomes <div></div>。
名称为p（即）但没有相应的开始标签的结束标签是一个解析错误，并被 替换。因此 变为。

所以 jsoup 是正确的，而你的 HTML 是无效的。

请务必理解您的 HTML 无效，因为您有太多 ，而不是因为“嵌套”段落。嵌套不会发生，因为它们会自动关闭。但是后来的 已经过时了，因为“对应的” 之前已经自动关闭了。

【讨论】：

非常感谢！ HTML 代码是第三方的（不是我的），我没有修改它。现在，我该如何解决这个问题？（将嵌套段落替换为 span class="p"，例如，如果问题出在 parse() 方法中？）
@FabianBarney，Jsoup 不关心有效的 HTML 标签。请使用Jsoup.parse("<html><body><xxx></xxx></body></html>")进行测试。
但是 jsoup 关心的是“真实世界”解析 HTML。自动关闭 和 内嵌套块元素的未定义行为是真实世界的解析。否则，对于像 ...First paragraphSecond paragraph... 这样的绝对合法 HTML，您会遇到很多麻烦。不关闭 是合法的！
@Manz jsoup 非常像浏览器那样进行解析。使用 Firebug 之类的工具检查您的页面，您会发现您的 HTML 得到了相同的解释。（自动关闭的 p-tags 等）我们无法告诉您如何修复它，因为不清楚您想要的输出应该是什么样子。如果您需要嵌套块元素，则不能使用  作为外部标签。改用<div> ...
@FabianBarney，谢谢，我直到现在才知道。

【解决方案2】：

Hj，我明白原来的问题。但我认为这是 Jsoup 的一个错误（不是你的）。因为这是一个简单的例子：

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

但是 Jsoup 会解析这个：

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

如果可以，请提交此错误，以便作者修复它:-)

P.S：就一个“嗨”字，stackoverflow不允许吗？

【讨论】：

我怀疑这不是错误。如果将“可疑”
替换为可以正常工作。也许，
中的

是 HTML 不正确的，Jsoup 明白尝试修复它吗？
根据我的经验，Jsoup 并不关心 HTML 关键字。我一直在使用 Jsoup 来解析 XML，效果很好。您可以使用Jsoup.parse("<html><body><xxx></xxx></body></html>") 进行测试。
一个不允许包含任何块元素！所以“简单”的例子是无效的 (X)HTML。
@FabianBarney，谢谢，我明白了。
单独使用 p 标签也有类似的问题。当我解析这个 HTML Sample Text Sample 1 Sample 2  时，我得到的输出为 <html> <head></head> <body> Sample Text Sample 1 Sample 2 </body> </html>