如何在 java 中获取 HTML 中元素的 XPath？-解网

问：

我想完成一个简单的任务，但我正在努力找到一个简单的解决方案：我在字符串（或文件）中有一个网页的 HTML，我想生成给定元素的 XPath。（例如，我想检索元素的 XPath）<a>

我尝试了不同的解决方案，但我在正确解析html时经常遇到问题。有没有像这样有效的 java html 清理器？https://www.htmlwasher.com/这是我目前发现的唯一功能清洁器，但它是一个在线工具。有了这个，我可以轻松解析 HTML 并获取 XPath。

我目前正在以这种方式使用 jOOX （https://github.com/jOOQ/jOOX）来生成 XPath：

Document document = $(html).document();
System.out.println($(document).find("a").xpath());

如果使用我提供的在线工具清理 HTML，我可以生成正确的 XPath。我喜欢与 jOOX 交互的方式，只要我能正确且以编程方式解析 html。你知道解析 HTML 的好方法吗？我已经试过了：

JSoup
标签oup
Html清洁工

测试网站页面已 http://www.ansa.it。

编辑：解析在一些常见的 HTML 解析问题上失败，例如未关闭的标签（例如）、转义等。</img>

我设法以这种方式“正确”解析html：

    Document doc = Jsoup.parse(Jsoup.clean(html, Whitelist.relaxed()));
doc.outputSettings().escapeMode(EscapeMode.xhtml)
                        .syntax(Syntax.xml)
                        .charset(StandardCharsets.UTF_8);

事实是，像 become 这样的标签，所以我无法使用它们的属性（如 href）来选择它们。我该如何解决这个新问题？<a href="cinema.shtml">Cinema</a><a>Cinema</a>

我注意到一些链接仍然有它们的 href，它们是指向 Facebook 或 Twitter 等其他网站的链接。这可能与此有关吗？

java html ， xml xpath xhtml

String html = getTheHTMLSomeWay();

Document doc = Jsoup.parse(Jsoup.clean(html, "http://base.uri", Whitelist.relaxed().preserveRelativeLinks(true)));
doc.outputSettings().escapeMode(EscapeMode.xhtml).syntax(Syntax.xml).charset(StandardCharsets.UTF_8);

org.w3c.dom.Document document = $(doc.html()).document();

System.out.println($(document).find("a[href='/your/relative/url']"));

使用 Jsoup，我可以清理 HTML 中所有无聊的未关闭标签、不允许的标签等。然后我可以转义所有未转义的字符（根据 xhtml）并将语法设置为 xml。

这可以给你一个干净的html代码，可以与jOOX库一起使用。

上一个：使用 XPath 生成 XML 文件

下一个：XPath 返回 XHTML 文件中的第一个 <a></a> 标记

如何在 java 中获取 HTML 中元素的 XPath？

How to get the XPath of an element in HTML in java?

评论