Analisando HTML com Cyberneko para encontrar um 'div'-tag

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

  •  21-09-2019
  •  | 
  •  

Pergunta

Preciso de um 'div'-tag específico (identificado por' ID ') de um site HTML. Para analisar a página, estou usando o Cyberneko. 

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

Até agora, não há problema, mas no final não preciso de XML, mas o conteúdo original de toda a tag 'div'. Infelizmente, não consigo descobrir como fazer isso ...

Foi útil?

Solução

Editar: Respondendo ao primeiro comentário.

Isso funciona:

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}

Parece que o Cyberneko retornará um documento HTML bem formado, independentemente de a marcação original ser. ou seja, a raiz do documento será um elemento HTML e também haverá um elemento principal. Organizado.

Outras dicas

Este é um teste simples baseado na resposta de Noah - infelizmente, ainda não funciona :(

    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
Licenciado em: CC-BY-SA com atribuição
Não afiliado a StackOverflow
scroll top