使用 JDom2 解析 HTML 时导致 IllegalNameException 的引号答案

【问题标题】：Quotation-Marks causing IllegalNameException when parsing HTML with JDom2使用 JDom2 解析 HTML 时导致 IllegalNameException 的引号
【发布时间】：2014-07-10 14:19:22
【问题描述】：

大家晚上好！

我正在尝试使用 JDOM2 解析 Java 中的 HTML 页面，以从中访问一些信息。

我的代码如下所示：（刚刚添加了此代码块的包，我的真实源中没有它们）

//Here goes the reading of the site into my String "string" (using NekoHTML)

org.xml.sax.InputSource is = new InputSource();
is.setCharacterStream(new StringReader(string));

org.cyberneko.html.parsers.DOMParser parser = new DOMParser();
parser.parse(is);

org.jdom2.input.DOMBuilder builder = new DOMBuilder();
org.jdom2.Document doc = builder.build(parser.getDocument());

这适用于除某些特殊情况外的所有情况：当网站在元素中包含引号时。这是我的意思的一个例子：

<a href="LINK" title="Der "realismo mágico" und die Phantastische Literatur">Der "realismo mágico" und die Phantastische...</a>

所以，在那个美妙的标签之后，我得到了以下错误跟踪：

SEVERE: org.jdom2.IllegalNameException: The name "literatur"" is not legal for JDOM/XML attributes: XML name 'literatur"' cannot contain the character """.

所以，现在我的问题是：我有哪些选择来处理这个错误？ NekoHTML 中是否有我可以使用的功能（使用“setFeature()”），或者我可以使用 JDOM 中的某些功能？

如果没有：是否还有其他适合抓取网站的库，可以在标签中取引号之类的东西？

感谢您的宝贵时间！

【问题讨论】：

HTML 无效。 title属性的值有问题。
亨利所说的。您尝试提供给 JDOM 的 DOM 无效。它基本上有一些东西，在“真正的”XML 中，看起来像：literatur"=""，这显然是不正确的。它试图告诉 JDOM 属性的名称（不是值）是 literatur"
好吧，我认为这是不对的，但这是我抓取的网站。有没有办法改变它？可能不浏览整个页面？或者只是使用另一个解析器？

标签： java xml parsing jdom

【解决方案1】：

好的，所以我解决了如下问题：

由于对 NekoHTML 没有任何依赖，我切换到 jTidy 作为解析器，它在这种情况下完成这项工作。

问题已回答。

【讨论】：