Рекомендуемый метод получения позиций символов всех тегов HTML в документе
Вопрос
Так регулярные выражения могут иметь побочные эффекты. Анкет Что же тогда является предпочтительным методом получения начала и конечных позиций символов всех тегов HTML в документе? Библиотеки анализа, такие как JSoup и Nekohtml, не предоставляют эту информацию, даже Xmllocator кажется, не применяется, так как он только обеспечивает конец текущего события документа.
Меня не интересует тип или название тега, каких -либо его атрибутов или вычеркиваю что -нибудь из текста. Я просто хочу знать, с чего они начинают и где заканчиваются.
Для целей этого вопроса можно предположить, что источник HTML действителен.
Решение
Мне было любопытно, поэтому я нашел этот анализатор: 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());
}
Не связан с StackOverflow