Парсинг невалидного (не по стандартам) DOM

Т.е. тебя вот вообще ни капельки не смущает, что ты html парсишь xml-парсером?

html - это подмножество xml

А вот хер тебе, иди матчасть учи.

предлагай свой вариант поиска XPath-ами по DOMу

Прям XPath я ничего не помню, но если это не обязательное требование, то посмотри на jsoup. Он поддерживает CSS selector в качестве языка запроса.

Найди того, кто сказал тебе такую глупость, и ударь его по лицу. Это справедливо только для XHTML (который рипнулся уже).

UPD: лорчую jsoup

HTMLCleaner

</thread>

Сам ты рипнулся, никто не мешает использовать его в новой вёрстке.

Это не так. HTML и XML это разные языки разметки, пусть и похожие и произошедшие от общего предка SGML. XHTML это действительно XML и его можно парсить с помощью XML-парсера. Но у тебя не этот вариант. Тебе нужен именно HTML-парсер.

Если бы HTML можно было безбоязнено парсить как XML - никто бы не писал regex-парсеры для html.

Я тырил код для кусков html отсюда( подходит ли это для полновесного html х.з.) -

https://stackoverflow.com/questions/9022140/using-xpath-contains-against-html...

TagNode tagNode = new HtmlCleaner().clean(
        "<div><table><td id='1234 foo 5678'>Hello</td>");
org.w3c.dom.Document doc = new DomSerializer(
        new CleanerProperties()).createDOM(tagNode);

//And then use the standard JAXP interfaces to query it:

XPath xpath = XPathFactory.newInstance().newXPath();
String str = (String) xpath.evaluate("//div//td[contains(@id, 'foo')]/text()", 
                       doc, XPathConstants.STRING);
System.out.println(str);

Кто тебе мешает искать xpath-ами по dom-у? html распарсь и ищи.

XPath я ничего не помню

И влезаешь.

jsoup поддерживает CSS selector

А xpath поддерживает любые атрибуты и значения в них, в том числе id и class.

Вообще, по идее, оно должно было интерпретировать «mask» как «булевый» атрибут, например как <input type=«file» multiple>

Но это зависит от DTD и XSD описывающим тип документа и правила. В целом, для html5 допустимы кастомные атрибуты. Т.е. по сути твой парсер сломался не потому, что документ не валиден, а потому, что ты ему режим парсинга правильный не поставил.

Ещё один.

Отнюдь. Писать регекспы для парсинга хтмл — это говнокод, ССЗБ и даже хуже, чем писать регекспы для парснга хмл, в котором больше порядка, чем в хтмл.

Он его распарсить не может — парсер с ошибкой вываливается. Дальше, конечно, xpath будет использовать.

А xpath поддерживает любые атрибуты и значения в них, в том числе id и class.

CSS-селекторы тоже так умеют.

Но они не умеют в паренты и десценданты. Сливай.

десценданты

div > p

паренты

div:has(p). В CSS не работает, но работает в jsoup и jquery.

А, асценданты?

Не нужно :)

Парсинг невалидного

- очевидно сделать валидным, где возможно конечно.

Есть ряд инструментов: htmltidy, «распрекрасное мыло» ...

О, мне было нужно даже такое: xpath выбрать ближайших потомков

Не должно. В XML булевые атрибуты должны указываться как attr=«attr». ОП применяет XML парсер, к нему хипстерные нововведения HTML неприменимы.

Ты про :is() (бывший :matches()) или о чём речь?

Ты тоже не знаешь отличий HTML от XML? Я сегодня добрый, держи прямую ссылку, где прекрасно видно, что знак «=» и значение атрибута не являются опциональными в XML.

пока не так много кода - переполз на jsoup

Василий, парсеру плевать. Его просто нужно настроить на то, чтобы он хтмл5 парсил.

В примере именно XML парсер, написанный для того, чтобы парсить XML. И никаким DTD ты это не исправишь. Если это более гибкий парсер, позволяющий парсить нестандартные XML-подобные языки, вопросов нет. Но в Java я про такое не слышал, xerces и прочее такого функционала не имеют. Очень интересно посмотреть на пример, где через DocumentBuilder парсится атрибут без значения.

А это уже смотрите в доках к парсеру, умеет он в нужные опции или нет.

regex-парсеры для html

Воу воу, triggered

Поверьте, я сам не в восторге от них :)