获取文档中所有 HTML 标记的字符位置的推荐方法

Question

所以正则表达式may have side-effects。那么，获取文档中所有 HTML 标记的开始和结束字符位置的首选方法是什么？ Jsoup 和 NekoHTML 等解析库似乎不提供此信息，甚至 XMLLocator 似乎也不适用，因为它仅提供当前文档事件的 end。

我对标签的类型或名称、它的任何属性或从文本中删除任何内容不感兴趣。我只想知道它们从哪里开始，从哪里结束。

对于这个问题，可以假设源 HTML 是有效的。

Answer 1

我自己也很好奇，所以找到了这个解析器：http://jericho.htmlparser.net/

public void testJericho() throws IOException{

    Source source=new Source(new URL("http://example.com/"));
    List<Element> elementList=source.getAllElements();
    for (Element element : elementList) {
        printElement(element);
    }

}

public void printElement(Element element) {
    List<Element> children = element.getChildElements();
    for(Element child: children) 
        printElement(child);

    System.out.println(element.getName() + " start: " + element.getBegin());
    System.out.println(element.getName() + " end: " + element.getEnd());        
}