ドキュメント内のすべてのHTMLタグの文字位置を取得するための推奨方法
質問
だから正規表現 副作用がある場合があります. 。それでは、ドキュメント内のすべてのHTMLタグの開始および終了キャラクターの位置を取得する好ましい方法は何ですか? JSoupやNekohtmlなどの解析ライブラリは、この情報を提供していないようです。 xmllocator それはだけを提供するので、適用されないようです 終わり 現在のドキュメントイベントの。
タグのタイプや名前、その属性、またはテキストから何かを剥がすことには興味がありません。彼らがどこから始めて、どこで終わるのか知りたいだけです。
この質問の目的のために、ソースHTMLが有効であると想定できます。
解決
私は自分自身に興味があったので、このパーサーを見つけました: 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());
}
所属していません StackOverflow