问题标签 [tag-soup]

我希望 TagSoup 设置使用 HTML5 标准。
我正在使用 tagoup 解析器，它符合 HTML4，它不允许<div>在<a>标签内。因此，解析错误的 HTML。但是，HTML5 允许使用相同的。如何使 tagsoup (org.ccil.cowan.tagsoup) 使用 HTML5 标准。例如，

变成，

我想使用 JMeter 从网页中检索内容。
我要查找的数据位于 javascript 块中：

假设我想要name映射 id=id1 中脚本块内的变量值，
其中还有一个变量song。

我使用 XPath Extractor 来获取脚本内容（CSS/Jquery 不会获取 javascript 内容，因为它不是纯 HTML）：

.//map[@id='id1']/script[contains(.,'song')]

XPath 找不到数据，因为我的 HTML 很脏（一些缺少标签结尾的野东西等等......）所以我需要使用 Jtidy 清理它（使用“Tidy（容错解析器）”选项）

备注：
- 我不拥有我正在处理的网页。我必须处理这个可怕的 HTML。
- 网页中有很多maps元素，每个元素都有一个带有song变量的脚本：我不能直接使用正则表达式（据我所知）

问题 ：

问题是：我的 HTML 包含奇怪的国际字符wé hà bêêêê ...（是的，法语，对此感到抱歉）并且 Jtidy 无法正确处理这种特殊情况：错误 #205 StringIndexOutOfBoundsException while lexing script content

结果 Xpath 提取器失败了，我的整个测试计划都被卡住了。

我设计了一个自定义解决方案，但我发现它有点复杂。也许我可以更好地处理这个问题。

我的解决方案：

我使用tagsoup java库清理HTML输出并将其存储在一个JMeter变量中，然后通过Xpath处理（勾选“应用到”中的“JMeter变量”选项），最后我使用了一个正则表达式来让我的Lionel Richie的东西工作.. .

JMeter |->HTTP Request |->BeanShell PostProcessor->tagsoup > var RESPONSE |->Xpath Extractor, Apply to var RESPONSE > var XPATH_OUTPUT |->Regular Expression Extractor, Apply to var XPATH_OUTPUT

要让 tagoup 与 JMeter 一起工作，只需将 jar 放在 lib 目录中，然后使用 BeanShell PostProcessor。

使用的 BeanShell 代码：

JDOM 解析器用于解析和转换 html 文件到 XML 文件。解析html文件后，即使它有一个子节点，也会生成自结束标记。输入 HTML

输出XML

预期的 XML

Java 代码

我正在使用 tagoup 解析器，它遵循 HTML4 并且不允许<p>标签内的<a>标签。因此，它正在解析不正确的 HTML。我浏览了 tagsoup 文档，但找不到任何有用的信息，通过这些信息可以将 tagsoup (org.ccil.cowan.tagsoup) 配置为使用 HTML5 标准。例如

变成

所以我正在做这个作业，我有这个代码，但我似乎无法让它工作。每次我运行代码时，终端都会在某一点冻结并且不会继续，我已经终止了进程。

我认为我的问题与我的 wget 行有关，但我不知道该怎么做，因为我需要从 date 函数中获取确切的变量。关于做什么的任何建议？

编辑：

我现在没有冻结终端问题，但现在它显示 FileNotFoundException，即使文件正在保存并在我的文档中。该网站是否会导致该问题，但我无法想象为什么要保存文件。

使用JAR通过 apt for 安装的文件Saxon-HE并进行tagsoup解析html是单行的：

我将如何从 Java 中做到这一点？ 特别是，Saxon此执行需要哪些导入？ 也许使用Saxon和 JAXP 接口？

还：

http://codingwithpassion.blogspot.com/2011/03/saxon-xslt-java-example.html

相关代码；关于实例化的barfs SAXSource：

JavaDoc说：

使用 XMLReader 和 SAX InputSource 创建一个 SAXSource。Transformer 或 SAXTransformerFactory 会将自己设置为阅读器的 ContentHandler，然后调用 reader.parse(inputSource)。

看InputSource节目：

因此，例如html，这将需要一个字符流来读取InputStream??

会tagsoup更好地用于这种身份转换吗？但是，怎么做？

我一直面临使用basex html 解析器解析带有扩展 unicode 字符的 html 的问题。是否可以使解析器支持特殊字符？

代码：

输出：

该错误似乎与output-encodingbasex 不支持的 tagsoup 库的参数有关。

例如：-