如何从网站 url 获取干净的 xml 表示答案

【问题标题】：How to get a clean xml representation from a website url如何从网站 url 获取干净的 xml 表示
【发布时间】：2013-04-11 09:10:19
【问题描述】：

我正在尝试获得网站网址的清晰表示，所以我可以将“html”放在

中

org.w3c.dom.Document

能够使用 xpath 等进行进一步处理。

当我尝试将 html 放入文档时，我得到的是：

org.xml.sax.SAXParseException : Elementtyp "link" muss mit dementsprechenden Endtag "" bedet werden

这意味着必须关闭“链接”，而本网站不是这种情况。

那么，这可能是正确的方法吗？我应该“修复”文档并替换错误吗？

我尝试了 net.sourceforge.htmlcleaner 但它没有弄清楚，如何 '修复'错误。

有什么帮助吗？

问候，霍尔格

【问题讨论】：

这取决于 HTML 清理器对 HTML 做了什么。有效的 HTML 不一定是有效的 XML - stackoverflow.com/questions/10473875/converting-html-to-xml.

【解决方案1】：

你可以看看 Neko：http://nekohtml.sourceforge.net/

非常适合我

【讨论】：

【解决方案2】：

HTML 通常不是 xml，因此 Document 无法处理它。你需要一个像JSoup这样的特殊库

【讨论】：