Parse de Jsoup et balises imbriquées

Question

Parse de Jsoup et balises imbriquées

Demandé el 24 de Mars, 2012: Quand la question a-t-elle été
3903 affichage: Nombre de visites la question a
2 Réponses: Nombre de réponses aux questions
Résolu: Situation réelle de la question

Je suis en train d'apprendre Jsoup et j'ai ce HTML :

 [...]
 <p style="..."> <!-- div 1 -->
   Content
 </p>
 <p style="..."> <!-- div 2 -->
   Content
 </p>
 <p style="..."> <!-- div 3 -->
   Content
 </p>
 [...]

J'utilise Jsoup.parse() et document select("p") pour attraper le "contenu" (et ça marche bien). Mais...

 [...]
 <p style="..."> <!-- div 1 -->
   Content
 </p>
 <p style="..."> <!-- div 2 -->
   Content
 </p>
 <p style="..."> <!-- div 3 -->
   Content
   <p style="..."></p>
   <p style="..."></p>
 </p>
 [...]

Dans cette scène, je vois que Jsoup.parse() convertit ce code en :

 [...]
 <p style="..."> <!-- div 1 -->
   Content
 </p>
 <p style="..."> <!-- div 2 -->
   Content
 </p>
 <p style="..."> <!-- div 3 -->
   Content
 </p>
 <p style="..."> <!-- div 4 -->
 </p>
 <p style="..."> <!-- div 5 -->
 </p>
 [...]

Comment conserver l'ordre des paragraphes imbriqués avec Jsoup (div 4 & 5 à l'intérieur de div 3) ?

Ajoutez un exemple :

Fichier HTML :

 <html>
 <head>
    <title>Title</title>
 </head>
 <body>
    <p style="margin-left:2em">
            <span class="one">Text</span>
            <span class="two"><span class="nest">Text</span></span>
            <span class="three"></span>
    </p>
    <p style="margin-left:2em">
            <span class="one">Text</span>
            <span class="two"><span class="nest">Text</span></span>
            <span class="three"></span>
    </p>
    <p style="margin-left:2em">
            <span class="one">Text</span>
            <span class="two"><span class="nest">Text</span></span>
            <span class="three"></span>
            <p style="margin-left:2em"></p>
            <p style="margin-left:2em"></p>
    </p>

 </body>
 </html>

Code Java :

Document doc = null;
doc = Jsoup.connect(URL_with_HTML).get();
System.out.println(doc.outerHtml());

Retourner à :

<html>
<head> 
 <title>Title</title> 
</head> 
<body> 
 <p style="margin-left:2em"> <span class="one">Text</span> <span class="two"><span class="nest">Text</span></span> <span class="three"></span> </p> 
 <p style="margin-left:2em"> <span class="one">Text</span> <span class="two"><span class="nest">Text</span></span> <span class="three"></span> </p> 
 <p style="margin-left:2em"> <span class="one">Text</span> <span class="two"><span class="nest">Text</span></span> <span class="three"></span> </p>
 <p style="margin-left:2em"></p> 
 <p style="margin-left:2em"></p> 
 <p></p>   
</body>
</html>

Est-ce correct ? J'utilise Jsoup 1.6.1. Je comprends que Jsoup devrait retourner les paragraphes imbriqués au lieu du retour précédent.

Demandé el 24 de Mars, 2012 par Manz

Answer 1

2 Réponses

Answer 2

3voto

Fabian Barney Points 5707

Les paragraphes imbriqués n'existent pas en HTML. Le paragraphe précédent est fermé automatiquement puisque Jsoup met en œuvre la spécification WHATWG HTML5 :

A p est automatiquement fermée par l'un des éléments suivants : address , article , aside , blockquote , div , dl , fieldset , footer , form , h1 , h2 , h3 , h4 , h5 , h6 , header , hgroup , hr , main , menu , nav , ol , p , pre , section , table o ul . Par conséquent, <p><div></div> becomes <p></p><div></div> .
Une balise de fin dont le nom est p (ie </p> ) qui n'a pas de balise de début correspondante est une erreur d'analyse et est remplacé par <p> . Par conséquent, <span></span></p> devient <span></span><p> .

Donc jsoup est correct et votre HTML est invalide.

Assurez-vous de comprendre que votre HTML n'est pas valide parce que vous avez trop de </p> et non parce que les paragraphes "nesting". L'imbrication ne peut pas se produire parce qu'ils sont fermés automatiquement. Mais l'arrivée ultérieure </p> est obsolète car le "correspondant" <p> a déjà été fermée automatiquement auparavant.

Répondu el 24 de Mars, 2012 par Fabian Barney (5707 Points )

Answer 3

0voto

Utilisateur non enregistré Points 0

Hj, je comprends la question initiale. Mais je pense que c'est un bug de Jsoup (pas le vôtre). Puisque c'est un exemple simple :

<html>
    <head></head>
    <body>
        <p></p>
        <p>
            <div></div>
        </p>
    </body>
</html>

Mais Jsoup analyse cela :

<html>
    <head></head>
    <body>
        <p></p>
        <p></p>
        <div></div>
        <p></p>
    </body>
</html>

Si vous le pouvez, veuillez signaler ce bogue afin que l'auteur puisse le corriger :-)

P.S : Juste un mot "salut", stackoverflow ne le permet pas ?

Répondu el 24 de Mars, 2012 par Utilisateur non enregistré (0 Points )

Parse de Jsoup et balises imbriquées

Réponses

Questions en vedette

Top Tags

Prograide.com

Powered by:

Parse de Jsoup et balises imbriquées

Réponses

Questions en vedette

Top Tags

Dans notre réseau

Prograide.com

Powered by: