怎样把html文件转换成标准的DOM4j的DOM-优快云博客

本文介绍了一种将不符合标准XML规范的HTML文件转换为DOM树的解析方法，使用cobra.jar库进行HTML解析，并通过DOM4J操作转换后的DOM文档。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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/