HTML mit Cyberneko analysieren, um eine Division zu finden

StackOverflow https://stackoverflow.com/questions/1974634

  •  21-09-2019
  •  | 
  •  

Frage

Ich brauche eine bestimmte 'Div'-tag (id' id ') von einer HTML-Site. Um die Seite zu analysieren, verwende ich Cyberneko. 

    def doc = new XmlParser( new org.cyberneko.html.parsers.SAXParser() ).parse(htmlFile)
    divTag = doc.depthFirst().DIV.find{ it['@id'] == tagId  }

Bisher kein Problem, aber am Ende brauche ich kein XML, sondern den ursprünglichen Inhalt des gesamten 'Div' -Tags. Leider kann ich nicht herausfinden, wie das geht ...

War es hilfreich?

Lösung

Bearbeiten: Antwort auf den ersten Kommentar.

Das funktioniert:

def html = """
  <body>
        <div id="breadcrumbs">
            <b>
            crumb1
            </b>
        </div>
</body>
"""

def doc = new XmlSlurper(new org.cyberneko.html.parsers.SAXParser()).parseText(html)
divTag = doc.BODY.DIV.find { it.@id == 'breadcrumbs'  }
println "" << new groovy.xml.StreamingMarkupBuilder().bind {xml -> xml.mkp.yield divTag}

Es sieht so aus, als würde Cyberneko ein gut geformtes HTML -Dokument zurückgeben, unabhängig davon, ob das ursprüngliche Markup war. IE, Doc's Root wird ein HTML -Element sein, und es wird auch ein Kopfelement geben. Sauber.

Andere Tipps

Dies ist ein einfacher Test, der auf Noahs Antwort basiert - leider funktioniert er nicht (noch) :(

    def html = """
      <body>
            <div id="breadcrumbs">
                <b>
                crumb1
                </b>
            </div>
    </body>
    """

    def doc = new XmlSlurper( new org.cyberneko.html.parsers.SAXParser() ).parseText(html)
    println "document: $doc"
    def htmlTag = doc.DIV.find {
        println "-> $it"
        it['@id'] == "breadcrumbs"
    }
    println htmlTag
    assert htmlTag
Lizenziert unter: CC-BY-SA mit Zuschreibung
Nicht verbunden mit StackOverflow
scroll top