解析Scala中的HTML元标记

Question

我正试图用Scala解析元标记。我试着只是做这个用XML匹配，就像

`html // meta ...` etc, 

，但我得到一个畸形的XML错误，因为这个特定页面上的这些元标签没有结束标签或... />外壳。

所以以下HTML，

val html = """<meta name="description" content="This is some meta description">""" 

我使用正则表达式如下匹配：

val metaDescription = """.*meta name="Description" content="([^"]+)"""".r 

• 当我尝试搭配val metaDescription(desc) = html我得到一个scala.MatchError。
• 当我尝试metaDescription.findAllIn(html)并重复时，我得到整个字符串 - 不仅仅是描述。

我怎样才能得到content内的值，而不是别的？

编辑

我得到了我想要与结果：

metaDescription.findAllIn(html).matchData foreach { 
    desc => println(desc.group(1)) 
} 

，但似乎像绕很长的路要走。有更好的解决方案吗？

Answer 1

Scala XML and TagSoup提供了一种直接在Scala XML中使用标签汤的方法。

如果你是开放的替代品，然后Scales Xml提供parse html via alternative SAX parsers类似的有用的方法：提供的链接

val html = loadXmlReader(htmlStream, parsers = AlternateSAXFactoryPool) 

为Tagsoup和Nu.Validator例如工厂。