JavaでのHTMLフラグメントの抽出

Question

HTMLアイランドを含むテキストがあります。

例：

qwwdeadaskdfdaskjfhbsdfkf<a href="/cookbook/modifying-data/set-attributes">Set attribute values</a>gfkjgfkjrgjgjgjgjgroggjrog <b>jsoup</b>sdflkjsdfsfklsfklfjsfkljsfljsf<a href="/apidocs/org/jsoup/Jsoup.html#parse(java.lang.String)" title="Parse HTML into a Document.">Jsoup.parse(String html)</a>skgjdfgkjdfgkldfjgdfkgljdfg 

がどのように私は、これらのHTMLの断片を抽出することができますか？

Answer 1

Javaは、XMLのDOM解析とSAX解析の両方をサポートしていますが、どちらも文書の整形が必要です。したがって、あなたの例は解析されません。 NekoHTML（http://nekohtml.sourceforge.net/）というプロジェクトがあり、整形されていないHTMLのスキャンをサポートしています。

Answer 2

私はまさにあなたが求めていることをしています - テキストの塊の中にHTMLフラグメントを見つける - テキストを囲むタグをラップし、次にjava.xml.parsers.DocumentBuilderを使用してDOMツリーを作成します。

基本的な考え方（と省略さくらい）があるだけで

String fragment = "<wrap_node>" + orig_text + "</wrap_node>"; 
Document d = builder.parse(fragment); 

タグはなど...欠落終わり、不適切なネストを、よく形成されていない場合は...これは動作しませんが、私は何かを拒否したいので、これは私のために働く。