Java Object das eine HTML Datei repräsentiert

PrincE · 12. Mai 2011

Hallo Java-Community,

suchfunktion und google hat mir nicht wirklich weiter geholfen.
Wie der Titel schon sagt ich suche ein Java Object das eine HTML Datei repräsentiert.

Beispiel:

Code:

<html>
<head>
<meta name="description" content="News, Test &amp; Kaufberatung zu PC, Computer, Handy und Home Entertainment." />
<meta name="keywords" content="Download, Forum, Test, News, Preisvergleich" />
<meta name="revisit-after" content="1 day" />
<meta http-equiv="content-language" content="de" />
<meta name="robots" content="noodp" />
<meta http-equiv="expires" content="900" />
<meta http-equiv="content-type" content="text/html; charset=ISO-8859-1" />
<meta property="fb:page_id" content="179800383306" />
<meta property="fb:admins" content="100001480969863"/>
</head>
<body>
qwe
</body>
</html>

Damit ich sagen kann .getHead().getElement("meta").getAttributes -> dann bekomm ich 'name','content',... ausgeben

und auch

.getHead().getElement("meta").getAttribute("name").getValue() -> dann bekomm ich 'description'.

javax.swing.text.Document hat zwar den Ansatz aber damit kommt man spätestens mit Value nicht weiter. Und auch so gibt es da Unstimmigkeiten wenn ich mehrere Beispiele nehme.

Hoffe jemand kann mir weiterhelfen

AmunRa · 12. Mai 2011

NAja versuchen mit einem Xml Parser am besten hier der SAX selbst auslesen

PrincE · 12. Mai 2011

das funktioniert nicht weil z.B. wie im Beispiel angegeben Metatags geöffnet aber für "xml" nicht geschlossen werden.
Eine Html Datei ist keine wohl geformte XML Datei

Guardi · 12. Mai 2011

Hö?
In deinem Beispiel sind die Meta-Tags ganz normale Elemente, die sich ohne weiteres als XML-Element auslesen lassen.
Wo ist das Problem?

AmunRa · 12. Mai 2011

Des wegen hab ich dir auch den SAX parser empfohlen,da dieser kein Problem mit invaliden XML hat.

Gast2 · 12. Mai 2011

PrincE hat gesagt.:
das funktioniert nicht weil z.B. wie im Beispiel angegeben Metatags geöffnet aber für "xml" nicht geschlossen werden.

Doch werden sie:

[c]<meta property="fb:admins" content="100001480969863"/>[/c]

Das Element meta wird ja mit /> beendet. Es hat also keine Childknoten/Content sondern nur Attribute.

PrincE · 12. Mai 2011

es ist ja nicht so das ich es nicht ausprobiert habe:

Datei:

HTML:

<html>
	<head>
		<meta name="keywords" content="Test, Seite">
	</head>
</html>

Code:

Java:

SAXBuilder builder = new SAXBuilder();
Document doc;
doc = builder.build("D:\\Beispiel.htm");
Element e = doc.getRootElement();
System.out.println(e.getName());

Fehler:

Code:

org.jdom.input.JDOMParseException: Error on line 5 of document file:///D:/Beispiel.htm: The element type "meta" must be terminated by the matching end-tag "</meta>".
	at org.jdom.input.SAXBuilder.build(SAXBuilder.java:530)
	at org.jdom.input.SAXBuilder.build(SAXBuilder.java:986)
	at Test.main(Test.java:48)
Caused by: org.xml.sax.SAXParseException: The element type "meta" must be terminated by the matching end-tag "</meta>".
	at com.sun.org.apache.xerces.internal.util.ErrorHandlerWrapper.createSAXParseException(Unknown Source)
	at com.sun.org.apache.xerces.internal.util.ErrorHandlerWrapper.fatalError(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLErrorReporter.reportError(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLScanner.reportFatalError(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl.scanEndElement(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl$FragmentContentDriver.next(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLDocumentScannerImpl.next(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLNSDocumentScannerImpl.next(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl.scanDocument(Unknown Source)
	at com.sun.org.apache.xerces.internal.parsers.XML11Configuration.parse(Unknown Source)
	at com.sun.org.apache.xerces.internal.parsers.XML11Configuration.parse(Unknown Source)
	at com.sun.org.apache.xerces.internal.parsers.XMLParser.parse(Unknown Source)
	at com.sun.org.apache.xerces.internal.parsers.AbstractSAXParser.parse(Unknown Source)
	at com.sun.org.apache.xerces.internal.jaxp.SAXParserImpl$JAXPSAXParser.parse(Unknown Source)
	at org.jdom.input.SAXBuilder.build(SAXBuilder.java:518)
	... 2 more
Caused by: org.xml.sax.SAXParseException: The element type "meta" must be terminated by the matching end-tag "</meta>".
	at com.sun.org.apache.xerces.internal.util.ErrorHandlerWrapper.createSAXParseException(Unknown Source)
	at com.sun.org.apache.xerces.internal.util.ErrorHandlerWrapper.fatalError(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLErrorReporter.reportError(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLScanner.reportFatalError(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl.scanEndElement(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl$FragmentContentDriver.next(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLDocumentScannerImpl.next(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLNSDocumentScannerImpl.next(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl.scanDocument(Unknown Source)
	at com.sun.org.apache.xerces.internal.parsers.XML11Configuration.parse(Unknown Source)
	at com.sun.org.apache.xerces.internal.parsers.XML11Configuration.parse(Unknown Source)
	at com.sun.org.apache.xerces.internal.parsers.XMLParser.parse(Unknown Source)
	at com.sun.org.apache.xerces.internal.parsers.AbstractSAXParser.parse(Unknown Source)
	at com.sun.org.apache.xerces.internal.jaxp.SAXParserImpl$JAXPSAXParser.parse(Unknown Source)
	at org.jdom.input.SAXBuilder.build(SAXBuilder.java:518)
	at org.jdom.input.SAXBuilder.build(SAXBuilder.java:986)
	at Test.main(Test.java:48)
Caused by: org.xml.sax.SAXParseException: The element type "meta" must be terminated by the matching end-tag "</meta>".
	at com.sun.org.apache.xerces.internal.util.ErrorHandlerWrapper.createSAXParseException(Unknown Source)
	at com.sun.org.apache.xerces.internal.util.ErrorHandlerWrapper.fatalError(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLErrorReporter.reportError(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLScanner.reportFatalError(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl.scanEndElement(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl$FragmentContentDriver.next(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLDocumentScannerImpl.next(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLNSDocumentScannerImpl.next(Unknown Source)
	at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl.scanDocument(Unknown Source)
	at com.sun.org.apache.xerces.internal.parsers.XML11Configuration.parse(Unknown Source)
	at com.sun.org.apache.xerces.internal.parsers.XML11Configuration.parse(Unknown Source)
	at com.sun.org.apache.xerces.internal.parsers.XMLParser.parse(Unknown Source)
	at com.sun.org.apache.xerces.internal.parsers.AbstractSAXParser.parse(Unknown Source)
	at com.sun.org.apache.xerces.internal.jaxp.SAXParserImpl$JAXPSAXParser.parse(Unknown Source)
	at org.jdom.input.SAXBuilder.build(SAXBuilder.java:518)
	at org.jdom.input.SAXBuilder.build(SAXBuilder.java:986)
	at Test.main(Test.java:48)

Gast2 · 12. Mai 2011

Du hast da ja auch einen Fehler drin:

HTML:

<meta id = 't' name='keywords' content='Webspell-Templates, [...], Spraylogos'>

sollte:

HTML:

<meta id = 't' name='keywords' content='Webspell-Templates, [...], Spraylogos'/>

sein.

Und die table und body schließenden Tags sind auch fehlerhaft. Da fehlt das >

PrincE · 12. Mai 2011

fassy hat gesagt.:
Du hast da ja auch einen Fehler drin:

HTML:

<meta id = 't' name='keywords' content='Webspell-Templates, [...], Spraylogos'>

sollte:

HTML:

<meta id = 't' name='keywords' content='Webspell-Templates, [...], Spraylogos'/>

sein.

Und die table und body schließenden Tags sind auch fehlerhaft. Da fehlt das >

ja ich hab jetzt mal ein einfacheres Beispiel genommen^^ die '>' sind irgendwie anders weggekommen.
Mit dem neuem Beispiel welches ich oben im comment editiert habe, bleibt die Fehlermeldung gleich.

Das Problem ist <meta /> ist XHtml.
Zum Beispiel wenn ich SELFHTML 8.1.2 (HTML-Dateien selbst erstellen) benutzen würde
die nur HTML benutzen da ist <meta > angesagt was bedeutet das diese mit Sax ein Fehler erzeugen würden.

XHelp · 12. Mai 2011

PrincE hat gesagt.:
Das Problem ist <meta /> ist XHtml.

Warum soll es ein Problem sein? Du verlinkst doch selber auf selfhtml:

Wenn Sie XHTML-Standard-konform arbeiten, müssen Sie das meta-Element als inhaltsleer kennzeichnen. Dazu notieren Sie das alleinstehende Tag in der Form <meta name="Eigenschaft" content="Wert" />.

Nachtrag: ah... hab das 2. "ist" überlesen

PrincE · 12. Mai 2011

XHelp hat gesagt.:
Warum soll es ein Problem sein? Du verlinkst doch selber auf selfhtml:

Schau dir von Selfhtml den Quelltext an und du wirst sehen dort wurde <meta > benutzt.
Das reicht mir schon das eine andere Lösung her muss. Verstehe nicht was du damit sagen willst.

Guardi · 12. Mai 2011

Also sind die Seiten mit denen du arbeitest nicht XHTML-konform?
Oder möchtest du keine Konformität erreichen müssen (auf den Grund bin ich gespannt).

edit:
Ansonsten
Open Source HTML Parsers in Java

PrincE · 12. Mai 2011

Guardi hat gesagt.:
Also sind die Seiten mit denen du arbeitest nicht XHTML-konform?
Oder möchtest du keine Konformität erreichen müssen (auf den Grund bin ich gespannt).

Hä? Darum geht es doch garnicht. Ich möchte gerne alle Formen und Arten erreichen können und da diese Art und Weise mit SAX nur mit XHtml funktioniert reicht diese nicht?!

Gast2 · 12. Mai 2011

PrincE hat gesagt.:
Das Problem ist <meta /> ist XHtml.

Okay, stimmt. Daran hab ich nicht gedacht. Es gibt ja immer noch Leute die sich nicht dran halten 😉

XHelp · 12. Mai 2011

Siehe mein Nachtrag.

Geht es dir nur darum die Meta-Daten auszulesen? Da könnte auch RegEx helfen

PrincE · 12. Mai 2011

XHelp hat gesagt.:
Siehe mein Nachtrag.

Geht es dir nur darum die Meta-Daten auszulesen? Da könnte auch RegEx helfen

ja darüber habe ich auch schon nachgedacht. Ich dachte aber es gibt die Möglichkeit die ganze Page in ein Java Object zu konvertieren um damit mehr Möglichkeiten zu haben.
Theoretisch möchte ich weit aus mehr als Metatags..

Gast2 · 12. Mai 2011

Könntest mal gucken ob du hiermit weiterkommst:
HTML Parser - HTML Parser

Oder Jericho HTML Parser (unten auf der Seite sind noch mehr Alternativen angegeben)

PrincE · 12. Mai 2011

fassy hat gesagt.:
Könntest mal gucken ob du hiermit weiterkommst:
HTML Parser - HTML Parser

Oder Jericho HTML Parser (unten auf der Seite sind noch mehr Alternativen angegeben)

Danke das werde ich mir mal angucken.

Übrigens golem.de z.B. ist ein ganz krasses Beispiel.
Die benutzen beide Schreibweisen gleichzeitig.

Gast2 · 12. Mai 2011

Ja, leider sind viele Browser viel zu gnädig und kaum einer bemüht sich seine Seiten mal zu validieren.

PrincE · 12. Mai 2011

Jsoup schafft es beide schreibweisen zu verstehen und normiert diese sogar!
jsoup Library ist genau das was ich wollte. Danke euch.

Java Object das eine HTML Datei repräsentiert

Aktives Mitglied

Gesperrter Benutzer

Aktives Mitglied

Bekanntes Mitglied

Gesperrter Benutzer

Gast2

Gast

Aktives Mitglied

Gast2

Gast

Aktives Mitglied

Top Contributor

Aktives Mitglied

Bekanntes Mitglied

Aktives Mitglied

Gast2

Gast

Top Contributor

Aktives Mitglied

Gast2

Gast

Aktives Mitglied

Gast2

Gast

Aktives Mitglied

Ähnliche Themen