Xmlslurper/nekohtml جزء تحليل الوثيقة - لا HTML أو علامات الجسم المطلوبة
-
26-09-2019 - |
سؤال
عزيزي كل شيء ، أحاول تحليل جزء HTML التالي ، وأود أن أحصل على نفس جزء الإخراج (بدون HTML وعلامات الجسم). هل هذا ممكن؟ إذا كان الأمر كذلك ، كيف؟
شكرا لك ميشا
ملاحظة: أقرأ هنا:http://nekohtml.sourceforge.net/faq.html#fragmentsوأعتقد أنني أضفت الخيارات الصحيحة أدناه. ومع ذلك ، لا يزال الإخراج غير صحيح :(
شكرا لك ميشا
import groovy.xml.MarkupBuilder
import groovy.xml.StreamingMarkupBuilder
import groovy.util.XmlNodePrinter
import groovy.util.slurpersupport.NodeChild
def text="""
<div><h2>Test</h2>
<div>Hi</div>
</div>
"""
// Parse
def config=new org.cyberneko.html.HTMLConfiguration()
config.setFeature("http://cyberneko.org/html/features/balance-tags/document-fragment",true)
def html=new XmlSlurper(new org.cyberneko.html.parsers.SAXParser()).parseText(text)
// Output
def printNode(NodeChild node) {
def writer = new StringWriter()
writer << new StreamingMarkupBuilder().bind {
mkp.declareNamespace('':node[0].namespaceURI())
mkp.yield node
}
new XmlNodePrinter().print(new XmlParser().parseText(writer.toString()))
}
printNode(html)
انتاج:
<HTML>
<tag0:HEAD xmlns:tag0="http://www.w3.org/1999/xhtml"/>
<BODY>
<DIV>
<H2>
Test
</H2>
<DIV>
Hi
</DIV>
</DIV>
</BODY>
</HTML>
المحلول
استدعاء setFeature على كائن المحلل مباشرة ، مثل ذلك:
@Grab(group='net.sourceforge.nekohtml', module='nekohtml', version='1.9.14')
import groovy.xml.MarkupBuilder
import groovy.xml.StreamingMarkupBuilder
import groovy.util.XmlNodePrinter
import groovy.util.slurpersupport.NodeChild
def text="""
<div><h2>Test</h2>
<div>Hi</div>
</div>
"""
// Parse
def parser=new org.cyberneko.html.parsers.SAXParser()
parser.setFeature("http://cyberneko.org/html/features/balance-tags/document-fragment",true)
def html=new XmlSlurper(parser).parseText(text)
// Output
def printNode(NodeChild node) {
def writer = new StringWriter()
writer << new StreamingMarkupBuilder().bind {
mkp.declareNamespace('':node[0].namespaceURI())
mkp.yield node
}
new XmlNodePrinter().print(new XmlParser().parseText(writer.toString()))
}
printNode(html)
لا تنتمي إلى StackOverflow