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
    Commented 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
    Commented 11 окт. 2015 в 17:52
  • Дело в том, что задача стоит именно распарсить html-ку Commented 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
    Commented 11 окт. 2015 в 17:56
  • Чем же тогда парсить html? Commented 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

Нажимая «Отправить ответ», вы соглашаетесь с условиями пользования и подтверждаете, что прочитали политику конфиденциальности.

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