使用 SAX 解析器解析 html答案

【问题标题】：Parsing html with SAX parser使用 SAX 解析器解析 html
【发布时间】：2018-10-25 08:38:17
【问题描述】：

我正在尝试使用 SAX 解析器解析普通的 html 文件。

SAXBuilder builder2 = new SAXBuilder();
         try {
            Document sdoc = (Document)builder2.build(readFile);
            NodeList nl=sdoc.getElementsByTagName("body");
            System.out.println("nodelist>>>>>>>>>>>"+nl.getLength());

        } catch (JDOMException e1) {
            e1.printStackTrace();
        }

但我得到了例外

Open quote is expected for attribute "{1}" associated with an  element type  "class".

谁能告诉我为什么会出现这个异常，html 文档格式正确，并且所有打开和关闭标签都正确。

提前致谢。

【问题讨论】：

您是否有特定原因要使用 SAX 执行此操作？
不，只是想从 html 文件中获取正文内容，所以，我使用了它。还有其他解决办法吗？
使用 SAX，您可以解析 XHTML，但我不确定它是否也可以解析 HTML（至少大多数 XML 解析器不能）。 HTML 不必是格式良好的 XML。

标签： java html parsing sax

【解决方案1】：

正如 flash 所说，您需要一个 HTML 解析器，而不是 XML 解析器。 HTML 不是 XML。

我使用过的好的解析器是Neko 和TagSoup。 Neko 是一个很好的全能解析器； TagSoup 特别旨在能够解析任何内容，无论格式如何。

【讨论】：

TagSoup 的特点在于，它基于 SAX，速度快如闪电，它解决了所有基本 SAX 阻塞问题，包括 <和>。它与 SAX 一样易于设置；处理程序方法是相同的——没有超出您已经知道的 SAX 的学习曲线。

【解决方案2】：

一般来说，您无法使用 XML 解析器解析 HTML：

HTML 的元素标签不需要在所有情况下都匹配。（例如，<p> 标记不需要匹配的</p> 标记。）这将导致 XML 解析器的终端消化不良。
现实世界的 HTML 因不符合 HTML 规范而臭名昭著，更不用说与 XML 兼容的 HTML 子集了。

但是，如果您的输入文档是 XHTML，您应该理论上能够使用 XML 解析器，例如 SAX。您应该甚至能够根据 XHTML 模式验证文档。

【讨论】：

【解决方案3】：

请查看HtmlParser。通常 SAX 不是解析 html 的好方法。

【讨论】：

SAX 始终是解析大量数据（例如 HTML）的好选择。尝试查看 TagSoup，它非常棒！