1

我想用 Java 解析 HTML 文本。

我尝试使用javax.swing.text.html.HTMLEditorKit解析 HTML 数据。它帮助我从 HTML 中获取数据。但我有一个 HTML 数据，比如 -

<span class="TitleServiceChange" >Service Change</span>
                    <span class="DateStyle">
                     Posted: 12/16/2012  8:00PM
                    </span><br/><br/>
                  <P>

周围有'<'和'>' 而不是'<'和'>'

在解析上述文本时，我收到错误 -

Parsing error: start.missing body ? ? at

请建议我解决我的问题。提前致谢。

4

3 回答 3

7

要取消转义字符串中包含的全部转义字符，您可以使用Apache Commons Lang实用程序库。

具体来说，使用StringEscapeUtils类，您可以在其中找到unescapeHtml4方法等。

于 2012-12-17T12:59:25.060 回答
3

如果您可以获得String数据的表示，用正确的标签替换它可以解决您的问题：

String htmlData = ...

htmlData = htmlData.replaceAll("&lt;", "<");
htmlData = htmlData.replaceAll("&gt;", ">");
于 2012-12-17T12:21:28.490 回答
1

HTML 可以用 XML 术语来描述。XML 有字符数据的概念，显然是由字符组成的。在 XML 中有五个具有特殊含义的字符：>、<、&和- 这些字符用于定义元素"和'分隔属性，因此解析器不会将它们视为普通字符。当您需要<在 XML 文档中插入文字时（就像我刚刚在这个答案中所做的那样），您可以在表单中使用字符引用&lt;，以便浏览器了解您不愿意启动 XML 标记。在 HTML4 DTD 中有252 个命名实体，因此使用它replaceAll()来具有可读性是不可行的细绳。

您最好了解 HTML 是如何工作的，这样当您必须构建数据的存储和呈现时，您就可以像 Web 浏览器一样思考。注意：

&lt;tag&gt;

有非常不同的含义

<tag>

因此，您最好对您的问题进行论证，以获得正确方向的帮助。

于 2012-12-17T12:34:22.000 回答