如何获取java中HTML中元素的XPath？
How to get the XPath of an element in HTML in java?
我想完成一个简单的任务，但我正在努力寻找一个简单的解决方案：我在字符串（或文件）中有一个网页的 HTML，我想生成给定元素的 XPath。
（例如，我想检索 <a> 元素的 XPath）
我尝试了不同的解决方案，但在正确解析 html 时经常遇到问题。是否有像这样的 java 可用的 html 清洁器？
https://www.htmlwasher.com/
这是我目前发现的唯一可用的清洁器，但它是一个在线工具。有了这个，我可以轻松地解析 HTML 并获得 XPath。
我目前正在使用 jOOX (https://github.com/jOOQ/jOOX) 以这种方式生成 XPath：
Document document = $(html).document();
System.out.println($(document).find("a").xpath());
如果使用我提供的在线工具清理 HTML，我可以生成正确的 XPath。
我喜欢我可以与 jOOX 交互的方式，只要我能够正确地并以编程方式解析 html。你知道解析 HTML 的好方法吗？
我已经试过了：
- JSoup
- 标签汤
- HtmlCleaner
测试网站页面为http://www.ansa.it。
编辑：
解析在一些常见的 HTML 解析问题上失败，例如未闭合的标签（例如 </img>）、转义等
我设法以这种方式解析 "correctly" html：
Document doc = Jsoup.parse(Jsoup.clean(html, Whitelist.relaxed()));
doc.outputSettings().escapeMode(EscapeMode.xhtml)
.syntax(Syntax.xml)
.charset(StandardCharsets.UTF_8);
事实是像 <a href="cinema.shtml">Cinema</a> 这样的标签变成了 <a>Cinema</a> 所以我不能 select 使用它们的属性，比如 href。我该如何解决这个新问题？
我注意到有些链接仍然有它们的 href，它们是指向其他网站（如 facebook 或 twitter）的链接。这可能相关吗？
已解决:
我设法让所有事情都以这种方式工作：
String html = getTheHTMLSomeWay();
Document doc = Jsoup.parse(Jsoup.clean(html, "http://base.uri", Whitelist.relaxed().preserveRelativeLinks(true)));
doc.outputSettings().escapeMode(EscapeMode.xhtml).syntax(Syntax.xml).charset(StandardCharsets.UTF_8);
org.w3c.dom.Document document = $(doc.html()).document();
System.out.println($(document).find("a[href='/your/relative/url']"));
使用 Jsoup 我可以清除 HTML 所有无聊的未封闭标签、不允许的标签等。然后我可以转义所有未转义的字符（根据 xhtml) 并将语法设置为 xml.
这可以为您提供干净的 html 代码，可用于 jOOX 库。
我想完成一个简单的任务，但我正在努力寻找一个简单的解决方案：我在字符串（或文件）中有一个网页的 HTML，我想生成给定元素的 XPath。
（例如，我想检索 <a> 元素的 XPath）
我尝试了不同的解决方案，但在正确解析 html 时经常遇到问题。是否有像这样的 java 可用的 html 清洁器？ https://www.htmlwasher.com/ 这是我目前发现的唯一可用的清洁器，但它是一个在线工具。有了这个，我可以轻松地解析 HTML 并获得 XPath。
我目前正在使用 jOOX (https://github.com/jOOQ/jOOX) 以这种方式生成 XPath：
Document document = $(html).document();
System.out.println($(document).find("a").xpath());
如果使用我提供的在线工具清理 HTML，我可以生成正确的 XPath。 我喜欢我可以与 jOOX 交互的方式，只要我能够正确地并以编程方式解析 html。你知道解析 HTML 的好方法吗？ 我已经试过了：
- JSoup
- 标签汤
- HtmlCleaner
测试网站页面为http://www.ansa.it。
编辑：
解析在一些常见的 HTML 解析问题上失败，例如未闭合的标签（例如 </img>）、转义等
我设法以这种方式解析 "correctly" html：
Document doc = Jsoup.parse(Jsoup.clean(html, Whitelist.relaxed()));
doc.outputSettings().escapeMode(EscapeMode.xhtml)
.syntax(Syntax.xml)
.charset(StandardCharsets.UTF_8);
事实是像 <a href="cinema.shtml">Cinema</a> 这样的标签变成了 <a>Cinema</a> 所以我不能 select 使用它们的属性，比如 href。我该如何解决这个新问题？
我注意到有些链接仍然有它们的 href，它们是指向其他网站（如 facebook 或 twitter）的链接。这可能相关吗？
已解决:
我设法让所有事情都以这种方式工作：
String html = getTheHTMLSomeWay();
Document doc = Jsoup.parse(Jsoup.clean(html, "http://base.uri", Whitelist.relaxed().preserveRelativeLinks(true)));
doc.outputSettings().escapeMode(EscapeMode.xhtml).syntax(Syntax.xml).charset(StandardCharsets.UTF_8);
org.w3c.dom.Document document = $(doc.html()).document();
System.out.println($(document).find("a[href='/your/relative/url']"));
使用 Jsoup 我可以清除 HTML 所有无聊的未封闭标签、不允许的标签等。然后我可以转义所有未转义的字符（根据 xhtml) 并将语法设置为 xml.
这可以为您提供干净的 html 代码，可用于 jOOX 库。