我正在尝试获取html页面的正文内容。
假设此html文件：
<?xml version="1.0" encoding="utf-8" standalone="no"?>
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.1//EN"
"http://www.w3.org/TR/xhtml11/DTD/xhtml11.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<link href="../Styles/style.css" rel="STYLESHEET" type="text/css" />
<title></title>
</head>
<body>
<p> text 1 </p>
<p> text 2 </p>
</body>
</html>
我想要的是：
<p> text 1 </p>
<p> text 2 </p>
因此，我认为使用
SAXParser可以做到这一点（如果您知道更简单的方法，请告诉我）这是我的代码，但我总是将null作为正文内容：
private final String HTML_NAME_SPACE = "http://www.w3.org/1999/xhtml";
private final String HTML_TAG = "html";
private final String BODY_TAG = "body";
public static void parseHTML(InputStream in, ContentHandler handler) throws IOException, SAXException, ParserConfigurationException
{
if(in != null)
{
try
{
SAXParserFactory parseFactory = SAXParserFactory.newInstance();
XMLReader reader = parseFactory.newSAXParser().getXMLReader();
reader.setContentHandler(handler);
InputSource source = new InputSource(in);
source.setEncoding("UTF-8");
reader.parse(source);
}
finally
{
in.close();
}
}
}
public ContentHandler constrauctHTMLContentHandler()
{
RootElement root = new RootElement(HTML_NAME_SPACE, HTML_TAG);
root.setStartElementListener(new StartElementListener()
{
@Override
public void start(Attributes attributes)
{
String body = attributes.getValue(BODY_TAG);
Log.d("html parser", "body: " + body);
}
});
return root.getContentHandler();
}
然后
parseHTML(inputStream, constrauctHTMLContentHandler()); // inputStream is html file as stream
此代码有什么问题？
最佳答案
如何使用Jsoup？您的代码看起来像
Document doc = Jsoup.parse(html);
Elements elements = doc.select("body").first().children();
//Elements elements = doc.select("p");//or only `<p>` elements
for (Element el : elements)
System.out.println("element: "+el);
关于java - 在Java中获取HTML文件的正文内容，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/22045126/