Parsing html с «закрытыми тегами» в java

Question

Мой вопрос довольно прост: есть способ разобрать html в java на DOM-Document, если в htmlcontent есть теги, подобные этому img-тегу?

<p><img src="..."></p> 

Это Codesnippet, что дает мне SAXException при анализе этих элементов:

DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance(); 
DocumentBuilder db = dbf.newDocumentBuilder(); 

InputStream is = new ByteArrayInputStream(htmlcontent.getBytes()); 
Document dom = db.parse(is); 
is.close(); 

Answer 1

Я не думаю, но jsoup может сделать это. Это не DOM API, но это очень похоже.

Answer 2

Вы не можете использовать DocumentBuilder, потому что это XML-анализатор.

Но вам нужно HTML-парсер, как:

• Jericho HTML Parser
• Neko HTML Parser

Answer 3

HTML не является XML.

За исключением случаев, когда вы используете XHTML.

Поэтому нет причин, по которым анализатор XML должен анализировать ваш HTML.

Использовать HTML-парсер, например HtmlCleaner.

Answer 4

Один из них может помочь:

• http://htmlparser.sourceforge.net/
• http://home.ccil.org/~cowan/XML/tagsoup/