怎样把html文件转换成标准的DOM4j的DOM

由于html文件不是标准的xml文件
比如：
<OBJECT type="text/site properties">
     <param name="Window Styles" value="0x800025">
     <param name="comment" value="title:Online Help">
     <param name="comment" value="base:index.htm">
   </OBJECT>

<param>标签不是成对出现的，所以用dom4j是不能解析的

解决方法:
利用cobra.jar架包先把html文件解析成org.w3c.dom.Document类型的dom
然后利用dom4j的方法
DOMReader xmlReader = new DOMReader();
xmlReader.read(org.w3c.dom.Document document)


代码：
UserAgentContext uacontext = new SimpleUserAgentContext();
DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
DocumentBuilder builder = factory.newDocumentBuilder();
InputStream in = new FileInputStream("F:/iKnow/chmimport/U2000FAQ_WebHome_123/U2000.hhc");
Reader reader = new InputStreamReader(in, "GBK");
org.w3c.dom.Document document = builder.newDocument();
// Here is where we use Cobra's HTML parser.           
HtmlParser parser = new HtmlParser(uacontext, document);
parser.parse(reader);
DOMReader xmlReader = new DOMReader();
System.out.println(xmlReader.read(document).asXML());


还有一个jsoup
http://www.ibm.com/developerworks/cn/java/j-lo-jsouphtml/

评论

7 楼 jenal 2012-06-07  

呵呵，已经实现了啊，谢谢哦~

6 楼 jenal 2012-06-01  

像这样的标签<img src="images/list_62.gif" width="535"/>，不可以转化成标签成对出现的。我试过了，有没有一种方法，像上面的标签也可以转换？

5 楼 yaozuodaoforfly 2012-05-23  

还有通过这种方法把html转换成xml后标签都是成对出现的 我试过了

4 楼 yaozuodaoforfly 2012-05-23  

UserAgentContext是cobra.jar架包中的类

3 楼 jenal 2012-05-23  

请问上述代码中UserAgentContext是不是定义的一个类？我将HTML文件转换成的XML，不是标准的，标签不是成对出现的，而是以"/>"结尾。怎么样才能转换成标准的XML文件？你能不能把思路给我讲解一下？谢谢哦~

2 楼 yaozuodaoforfly 2012-05-23  

我这是公司内网  发表文章是有字数限制的  所以 完整的代码发布不出去，上边的代码基本上夜就是完整的了 你稍做修改 就能用

1 楼 jenal 2012-05-22  

请问有没有完整的代码啊？