Я пытаюсь использовать jTidy для извлечения данных из (реального мира) HTML. Но jTidy не анализирует пользовательские теги.
<html>
<body>
<myCustomTag>some text</myCustomTag>
<anotherCustom>more text</anotherCustom>
</body>
</html>
Я не могу получить тексты между пользовательскими тегами. Я должен использовать jTidy, потому что я буду использовать xpath.
Я пробовал HTMLCleaner, но он не поддерживает полные функции xpath.
Вы также можете установить свойства с помощью объекта свойств Java, например:
import java.util.Properties;
Properties oProps = new Properties();
oProps.setProperty("new-blocklevel-tags", "header hgroup article footer nav");
Tidy tidy = new Tidy();
tidy.setConfigurationFromProps(oProps);
Это избавит вас от необходимости создавать и загружать файл конфигурации.
Ознакомьтесь с http://tidy.sourceforge.net/docs/quickref.html#new-blocklevel-tags
Быстро и грязно создать файл, я назвал его jTidyTags и вызвать:
Tidy tidy = new Tidy();
tidy.setConfigurationFromFile("jTidyTags");
После этого он выдаст предупреждение о том, что он не соответствует требованиям W3C, но кого это волнует. Это позволит вам проанализировать файл.
Примером jTidyTags для вас может быть:
new-blocklevel-tags: myCustomTag anotherCustom
Надеюсь это поможет!
