Анализ HTML с Cyberneko, чтобы найти «дивизионную»

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

  •  21-09-2019
  •  | 
  •  

Вопрос

Мне нужен один конкретный «Div» (идентифицированный «id») с HTML-сайта. Чтобы проанализировать страницу, я использую Cyberneko. 

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

До сих пор нет проблем, но в конце мне не нужен XML, но исходное содержание всего тега «div». К сожалению, я не могу понять, как это сделать ...

Это было полезно?

Решение

РЕДАКТИРОВАТЬ: Ответ на первый комментарий.

Это работает:

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}

Похоже, что Cyberneko вернет хорошо сформированный HTML -документ, независимо от того, была ли оригинальная разметка. т.е. корень Дока будет элементом HTML, а также будет элемент головы. Аккуратный.

Другие советы

Это простой тест, основанный на ответе Ноя - к сожалению, он (пока) не работает :(

    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
Лицензировано под: CC-BY-SA с атрибуция
Не связан с StackOverflow
scroll top