如何从java中的org.w3c.dom.Node获取html？

我已经构建了一个使用saxon-he的xpath组件从html文档中提取数据的方法。我为此使用了w3c dom对象模型。如何从java中的org.w3c.dom.Node获取html？

我已经创建了返回文本值（jsoupElement.text（））的方法，类似像jsoup文本值方法：

protected String getNodeValue(Node node) { 
    NodeList childNodes = node.getChildNodes(); 
    for (int x = 0; x < childNodes.getLength(); x++) { 
     Node data = childNodes.item(x); 
     if (data.getNodeType() == Node.TEXT_NODE) 
      return data.getNodeValue(); 
    } 
    return ""; 
}

这工作得很好，但我现在我需要底层的HTML一个选定的节点（用jsoup它会是jsoupElement.html（））。使用w3c dom对象模型，我有org.w3c.dom.Node。我如何从org.w3c.dom.Node获取html作为字符串？在文档中我找不到任何关于此的内容。

只是澄清：我需要内部的HTML（有或没有节点元素/标签）作为字符串。类似像http://api.jquery.com/html/或http://jsoup.org/apidocs/org/jsoup/nodes/Element.html#html--

来源

2015-11-10 whitenexx

在Java中，您可以使用LSSerializer或使用默认Transformer对子节点或节点本身进行序列化，但是它们会为您提供DOM树的XML序列化，而不是原始的XML或HTML。 –

感谢您的回答。是否有可能使用另一个文档对象模型来获取原始html？我可以选择这些模型：http://www.saxonica.com/documentation/index.html#!xpath-api/jaxp-xpath/factory – whitenexx

我不认为有任何方法可以从任何原始HTML树模型，它存储节点而不是标记。我对jsoup不熟悉，但是他们可能也会序列化它们的树，只有HTML，而不是XML，如果你调用该方法来给你内部的HTML。 Saxon作为XSLT 2处理器支持使用具有正确输出方法的XSLT样式表的HTML和XHTML序列化（即''或''）所以你可以使用带有样式表的Transformer根据需要设置方法。也许API也提供了一些方法。 –

序列化W3C DOM Node的子节点与撒克逊为HTML，你可以使用默认Transformer，你的输出方式设置为html：

public static String getInnerHTML(Node node) throws TransformerConfigurationException, TransformerException 
{ 
    StringWriter sw = new StringWriter(); 
    Result result = new StreamResult(sw); 
    TransformerFactory factory = new net.sf.saxon.TransformerFactoryImpl(); 
    Transformer proc = factory.newTransformer(); 
    proc.setOutputProperty(OutputKeys.METHOD, "html"); 
    for (int i = 0; i < node.getChildNodes().getLength(); i++) 
    { 
     proc.transform(new DOMSource(node.getChildNodes().item(i)), result); 
    } 
    return sw.toString(); 
}

但正如所说，这是树的序列化，原始XML或HTML不存储在DOM树或Saxon树模型中，因此无法访问它。

来源

2015-11-10 18:02:54

如何从java中的org.w3c.dom.Node获取html？

回答

相关问题