Java 中的 XHTML 操作库

Question

我正在寻找可以为我执行以下两项任务的 XML/XHTML Java 库/框架。

在进行一些定义之前：

• NodeOffset(Node node, int offset) 标记 XML 树中文本节点中的某个点。
• nodeB、nodeI、nodeP 是下面提到的 XHTML 树和 nodeSpan< 的对应 Node 实例/code> 是一些新创建的节点（其中 Node 不一定是 org.w3c.dom.Node 并且可能是任何其他抽象）

将 XHTML 变成纯文本

库应该能够产生纯文本输出（例如通过实现CharSequence 或类似的）来自给定的XHTML，并提供输出和原始XHTML 节点树中的字符之间的一对一映射（例如，通过函数NodeOffset getNodeOffset(int plainTextOffset)）。

示例：假设我们有以下 XHTML：

<p><b>GeForce</b> 9300M GS provides powerful <i>visual computing features</i> to thin and light notebooks.</p>

那么明文表示显然将是：

GeForce 9300M GS provides powerful visual computing features to thin and light notebooks.

那么例如

• getNodeOffset(0) 应该返回节点 NodeOffset(nodeB, 0)
• getNodeOffset (40) 应返回节点 NodeOffset(nodeI, 5)
• getNodeOffset(80) 应返回节点 NodeOffset(nodeP, 49）。

我可能会错过正确的数字，但我希望你明白了。我重复这个例子，现在插入了伪标记：

|GeForce 9300M GS provides powerful visua|l computing features to thin and light n|otebooks.

和

<p><b>|GeForce</b> 9300M GS provides powerful <i>visua|l computing features</i> to thin and light n|otebooks.</p>

节点操作

库应该提供将节点注入 XHTML 的可能性，这可能跨越树，可能跨越节点边界，例如通过操作 NodeSet insert(Node nodeToInsert, NodeOffset开始，NodeOffset结束，int模式）。该函数有两种工作模式：

• mode1：如有必要，拆分要插入的节点。在这种情况下，从 nodeToInsert 节点中分割出来的节点将作为操作结果返回。
• mode2：关闭父节点。 nodeToInsert 按原样返回。

例如： insert(nodeSpan, NodeOffset(nodeB, 2), NodeOffset(nodeP, 9), mode1) 操作应生成

<p><b>Ge<span>Force</span></b><span> 9300M GS</span> provides powerful <i>visual computing features</i> to thin and light notebooks.</p>

insert(nodeSpan, NodeOffset(nodeB, 2), NodeOffset( nodeP, 9), mode2) 操作应产生：

<p><b>Ge</b><span><b>Force</b> 9300M GS</span> provides powerful <i>visual computing features</i> to thin and light notebooks.</p>

它类似于用户在富编辑器中所做的操作：

GeForce 9300M GS

我想知道，开源世界中是否有这样的事情，因为我真的不想重新实现轮子......我很快就检查了 Java 中的开源 HTML 解析器 没有成功。

当您发布答案时：

• 确保上述函数在库 API 中可用（提供 JavaDoc 的链接）。
• 该库是 Java 原生的（无 JNI）并且是开源的。

Answer 1

我在一个开源项目中封装了已有的代码，并进行了修改以匹配您的请求（WIP）：ShtutXML。它有很好的文档记录，所以我怀疑您在使用它时会遇到问题。

第一个请求（查找节点和相对于全局位置的偏移量）已经内置，并且 XML 中文本节点的分割也已经内置（因此您可以根据需要轻松地将它们包装在新节点中）。因此，添加用元素标记区域的逻辑相当简单。我稍后会尝试这样做，但这是我目前针对此请求的最大努力。

在您的 XML 上，使用我的 示例程序 这是我的输出：

************* BASE DOCUMENT *****************
DOCUMENT ROOT
|-<p >
| |-<b >
| | |-Text: GeForce
| |-Text:  9300M GS provides powerful 
| |-<i >
| | |-Text: visual computing features
| |-Text:  to thin and light notebooks.

*** Text ***
"GeForce 9300M GS provides powerful visual computing features to thin and light notebooks."

*** Node of each text segment ***
[b: null]: GeForce
[p: null]:  9300M GS provides powerful 
[i: null]: visual computing features
[p: null]:  to thin and light notebooks.


*** Offset testing ***
offset 0 is at [b: null] at 0
offset 40 is at [i: null] at 5
offset 80 is at [p: null] at 48

要求它在全局位置 4 处拆分元素将产生

*********** Split(4) DOCUMENT *****************
DOCUMENT ROOT
|-<p >
| |-<b >
| | |-Text: GeFo
| | |-Text: rce
| |-Text:  9300M GS provides powerful 
| |-<i >
| | |-Text: visual computing features
| |-Text:  to thin and light notebooks.

*** Node of each text segment ***
[b: null]: GeFo
[b: null]: rce
[p: null]:  9300M GS provides powerful 
[i: null]: visual computing features
[p: null]:  to thin and light notebooks.

当然，这种语法拆分对于与该文档匹配的实际 XML 代码没有任何意义，但它将允许包装一个文本一次与您希望的任何其他节点分开。

编辑： 已支持第一种插入模式

编辑 2： 已支持第二种插入模式

注释：

• 您所做的任何文档修改都会使所有偏移量无效。稍后使用它们将导致整个文档损坏。因此，每次修改后，您必须执行 GetOffset 来再次检索偏移量。
• 我知道有些功能没有记录。基本上，唯一应该在包外部使用的函数是您从 StrXML 类请求的函数。稍后将添加更多文档，您可以通过电子邮件与我联系（请参阅我的个人资料页面）以解决问题。

Answer 2

也许你可以尝试 jsoup - http://jsoup.org。

它是一个开源 Java根据 MIT 许可证分发的库。其源代码可在 GitHub 上获取。

从主页：

jsoup 是一个用于处理实际 HTML 的 Java 库。
它使用最好的 DOM、CSS 和类似 jquery 的方法，提供了一个非常方便的 API 来提取和操作数据。

使用 jsoup，您可以：

• 使用 DOM 遍历或 CSS 选择器查找和提取数据
• 操作 HTML 元素、属性和文本

以下是其 Javadoc： http:// /jsoup.org/apidocs/

Answer 3

几年前我尝试过 Jericho ，使用它的 API 进行解析看似简单。我用它登录雅虎邮件并从地址簿中获取联系人。我确信它能做的远不止于此。主页提到您的要求之一“Flattering XHTML into plain text”作为其功能之一。可能与您的问题相关的一些功能是

• 从 HTML 标记中提取所有文本的内置功能

• 所有已解析片段的源文档中的开始和结束位置都是可访问的，允许仅修改所选的片段文档，而不必从树重建整个文档。

  并且它是免费开源的。 （引用该网站：因此，您可以在商业应用程序中自由使用它，但须遵守这些许可文档之一中详细说明的条款。）