Metodo consigliato per ottenere posizioni dei caratteri di tutti i tag HTML in un documento
Domanda
Quindi espressioni regolari può avere effetti collaterali. Qual è quindi il metodo preferito per ottenere le posizioni di inizio e carattere finale di tutti i tag HTML in un documento? Le biblioteche di analisi come JSoup e Nekohtml non sembrano fornire queste informazioni, anche Xmllocator non sembra applicare, poiché fornisce solo il fine dell'evento del documento attuale.
Non sono interessato al tipo o al nome del tag, a uno qualsiasi dei suoi attributi o al timore del testo. Voglio solo sapere da dove iniziano e dove finiscono.
Ai fini di questa domanda, si può presumere che l'HTML della sorgente sia valida.
Soluzione
Ero curioso, quindi ho trovato questo parser: http://jericho.htmlparser.net/
public void testJericho() throws IOException{
Source source=new Source(new URL("http://example.com/"));
List<Element> elementList=source.getAllElements();
for (Element element : elementList) {
printElement(element);
}
}
public void printElement(Element element) {
List<Element> children = element.getChildElements();
for(Element child: children)
printElement(child);
System.out.println(element.getName() + " start: " + element.getBegin());
System.out.println(element.getName() + " end: " + element.getEnd());
}
Autorizzato sotto: CC-BY-SA insieme a attribuzione
Non affiliato a StackOverflow