XmlSlurper

Question

私がXmlSlurperで汚れたHTMLページを解析していますを使用するときに問題のある行を見つけ、私は次のエラーを取得する方法：今

ERROR org.xml.sax.SAXParseException: Element type "scr" must be followed by either attribute specifications, ">" or "/>". 
    at org.apache.xerces.parsers.AbstractSAXParser.parse(Unknown Source) 
    at org.apache.xerces.jaxp.SAXParserImpl$JAXPSAXParser.parse(Unknown Source) 
     ... 
[Fatal Error] :1157:22: Element type "scr" must be followed by either attribute specifications, ">" or "/>". 

を、私は私はそれをHTMLを供給し、その前にそれを印刷しています。私がそれを開き、エラー1157に記載されている行に移動しようとすると、そこには「src」はありません（しかし、ファイルにはこのような文字列が何百もあります）。だから、私はいくつかの追加のものが挿入されている（おそらく<script>またはそのようなもの）行番号を変更すると思います。

問題のある行やhtmlを正確に見つける良い方法はありますか？

Answer 1

あなたはどちらのSAXパーサーを使用していますか？ HTMLは厳密なXMLではないため、XMLSlurperをデフォルトのパーサで使用すると、エラーが継続する可能性があります。

「Groovy html slurper」の大雑把なgoogle検索では、TagSoupというSaxParserを指すHTML Scraping With Groovyにつながっていました。

渦を作って、汚れたページを解析するかどうかを確認します。

Answer 2

各要素に_lineNumという名前の属性を追加して使用できます。

import org.xml.sax.Attributes; 
import org.xml.sax.Locator; 
import org.xml.sax.SAXException; 
import org.xml.sax.ext.Attributes2Impl; 
import javax.xml.parsers.ParserConfigurationException; 

class MySlurper extends XmlSlurper {  
    public static final String LINE_NUM_ATTR = "_srmLineNum" 
    Locator locator 

    public MySlurper() throws ParserConfigurationException, SAXException { 
     super(); 
    } 

    @Override 
    public void setDocumentLocator(Locator locator) { 
     this.locator = locator; 
    } 

    @Override 
    public void startElement(String uri, String localName, String qName, Attributes attrs) throws SAXException { 
     Attributes2Impl newAttrs = new Attributes2Impl(attrs);   
     newAttrs.addAttribute(uri, LINE_NUM_ATTR, LINE_NUM_ATTR, "ENTITY", "" + locator.getLineNumber());   
     super.startElement(uri, localName, qName, newAttrs); 
    } 
} 

def text = ''' 
<root> 
    <a>one!</a> 
    <a>two!</a> 
</root>''' 

def root = new MySlurper().parseText(text) 

root.a.each { println it.@_srmLineNum } 

上記の行番号属性が追加されています。おそらく、ロケータから行番号を読み取ることができる独自のエラーハンドラを設定しようとする可能性があります。