在java中使用“未封闭标签”解析html

Question

我的问题很简单： 有没有办法将java中的html解析为DOM文档，如果在htmlcontent中有像这样的img-tag？

<p><img src="..."></p> 

这是Codesnippet，让我的SAXException在解析这些元素：

DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance(); 
DocumentBuilder db = dbf.newDocumentBuilder(); 

InputStream is = new ByteArrayInputStream(htmlcontent.getBytes()); 
Document dom = db.parse(is); 
is.close(); 

Answer 1

我不这么认为，但jsoup能做到这一点。这不是DOM API，但它非常相似。

Answer 2

不能使用DocumentBuilder，因为它是一个XML解析器。

但你需要一个HTML解析器，如：

• Jericho HTML Parser
• Neko HTML Parser

Answer 3

HTML不是XML。

除了使用XHTML时。

所以没有理由XML解析器应该解析您的HTML。

使用像HtmlCleaner这样的HTML解析器。

Answer 4

其中一个可能会有帮助：

• http://htmlparser.sourceforge.net/
• http://home.ccil.org/~cowan/XML/tagsoup/