0

Необходимо распарсить сайт типа Avito или Gorod55. Когда парсеру скармливается адрес сайта - обязательно вылетает какая-то из ошибок. Пример - попытка парсинга gorod55:

SAXParserFactory factory = SAXParserFactory.newInstance();
SAXParser parser = factory.newSAXParser();
parser.parse("*тут адрес gorod55(репутация не позволила добавить ссылку)*", new SiteSaxParser());

выдаёт ошибку:

org.xml.sax.SAXParseException; systemId: *тут адрес gorod55(репутация не позволила добавить ссылку)*; lineNumber: 3; columnNumber: 17; Attribute name "itemscope" associated with an element type "html" must be followed by the ' = ' character.
    at com.sun.org.apache.xerces.internal.parsers.AbstractSAXParser.parse(AbstractSAXParser.java:1239)
    at com.sun.org.apache.xerces.internal.jaxp.SAXParserImpl$JAXPSAXParser.parse(SAXParserImpl.java:648)
    at com.sun.org.apache.xerces.internal.jaxp.SAXParserImpl.parse(SAXParserImpl.java:332)
    at javax.xml.parsers.SAXParser.parse(SAXParser.java:274)
    at com.aleksey.Main.main(Main.java:22)
10
  • 1
    Ну, HTML не обязательно является валидным XML. XML-парсер по идее и не обязан корректно обрабатывать HTML.
    – VladD
    11 окт 2015 в 17:52
  • Кроме того, вытаскивать информацию с чужого сайта, не пользуясь официальным API, плохо. (А если API нету, то ещё хуже.) Вам об этом никто не говорил?
    – VladD
    11 окт 2015 в 17:52
  • Дело в том, что задача стоит именно распарсить html-ку 11 окт 2015 в 17:54
  • Ну так не используйте для этого XML-парсер. Он для этого не предназначен. Если вам поставили задачу распарсить HTML при помощи XML-парсера, скажите, что это невозможно.
    – VladD
    11 окт 2015 в 17:56
  • Чем же тогда парсить html? 11 окт 2015 в 18:08

1 ответ 1

0

Ваша ошибка указывает что элемент html содержит атрибут itemscope без значения. Что не валидно для классического XML.

т.е.

<html itemscope ...>

А ожидается конструкция типа

<html itemscope="value" ...>

Если ваш парсер не имеет настроек для игнорирования таких конструкций, то воспользуйтесь html-парсером, например Jsoup.

Так же, наличие атрибута itemscope может означать, что ваша страница содержит Microdata, тогда попробуйте рекомендованный парсер.

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge you have read our privacy policy.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.