Parsing del codice HTML con cyberneko di trovare un 'div'-tag

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

  •  21-09-2019
  •  | 
  •  

Domanda

ho bisogno di uno specifico 'div'-tag (identificato da 'id') da un sito HTML. Per analizzare pagina Sto utilizzando cyberneko. 

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

Finora nessun problema, ma alla fine non ho bisogno di XML, ma il contenuto originale di tutta la tag 'div'. Purtroppo io non riesco a capire come fare questo ...

È stato utile?

Soluzione

EDIT: In risposta a primo commento

.

Questo funziona: 

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}

Sembra che cyberneko restituirà un documento HTML ben formato, indipendentemente dal fatto che la marcatura originale era. cioè, radice di Doc sarà un elemento HTML, e ci sarà anche un elemento HEAD. Neat.

Altri suggerimenti

Questo è un semplice test in base alla risposta di Noè - purtroppo non lo fa (ancora) il lavoro: (

    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
Autorizzato sotto: CC-BY-SA insieme a attribuzione
Non affiliato a StackOverflow
scroll top