htmlparser 处理标签的一个bug

http://blog.csdn.net/scottxp/article/details/4323936

众所周知，Htmlparser本身有一些小bug，而且也有三年没更新了。所以现在基于java的信息抽取多转向NekoHtml。不过Htmlparser本身还是有不少优点，主要是扩展性强，其利用的设计模式值得学习。由于时间的关系，现在项目还是使用Htmlparser，以后有时间会对nekohtml进行研究。
    今天遇到的bug来自于对。

解决的办法很简单 ，只需将参数改为：

content = lexer.parseCDATA (STRICT);

当参数为true时，该方法会自动考虑引号的问题。

分享到： 

上一篇：真·周工作总结 二

下一篇：网页信息抽取阶段性成果

查看评论

4楼 ilyysys 2012-03-12 18:15发表 [回复]3楼 wiwipetter 2010-01-09 12:20发表 [回复]不用改代码！STRICT是公共静态变量，赋成false就行了，这不算bug。

不知道博主有没有碰到过这种情况：
解析js里，js的<script>中有注释，注释中含有</X>,
这种情况htmlparser必然出错
形式如下：
<script>
//</a>
</script>Re: scottxp 2010-01-13 01:21发表 [回复]回复 wiwipetter：

确实，当时发帖也没想太多。你说的情况我没注意过，我用htmlparser并不多。2楼 scottxp 2010-01-03 18:42发表 [回复]已经说了，把 content = lexer.parseCDATA (!STRICT); 中的“!”去掉就可以饿了1楼 kingboy_software 2009-12-31 00:11发表 [回复] [引用] [举报]晕啊！！！！说得不详细啊！这问题该怎么解决？？请教！！