Jsoup解析含大量div的HTML时无法识别闭合标签的解决求助

问题描述 #

我有一段包含<div style="position: relative;">容器的HTML字符串，容器内有约200个class为episode-name的div元素，示例结构如下：

<div style="position: relative;">
    <div class="episode-name" style="position: absolute; top: 5px;left: 10px;font-size: 30px;" data-id="0_0_0_0">1. Some Text</div>
    <div class="episode-name" style="position: absolute; top: 5px;left: 10px;font-size: 30px;" data-id="0_0_0_0">2. Some Text</div>
    ...
    <div class="episode-name" style="position: absolute; top: 5px;left: 10px;font-size: 30px;"data-id="0_0_0_0">200. Some Text</div>
</div>

执行Document document = Jsoup.parse(html)代码解析后，预期生成扁平化DOM结构，但实际Jsoup未识别列表元素的</div>闭合标签，生成了大量嵌套div：

<html>
 <head></head>
 <body>
  <div style="\"position:" relative;\>
   <div class="\"episode-name\"" style="\"position:" absolute; top: 5px;left: 10px;font-size: 30px;\ data-id="\"0_0_0_0\"">1. Some Unicode&lt;/div&gt;
    ...
       </div>
     </div>
   </div>
  </div>
 </body>
</html>

这导致DOM结构混乱，极大增加解析难度。请问如何让Jsoup正确解析该HTML片段？

解决办法 #

1. 修复原始HTML的转义与语法错误 #

从解析结果看，原始HTML存在两个关键问题：

• 属性值的转义错误（比如"未正确处理），导致Jsoup解析时属性格式混乱；
• 部分标签存在语法问题（如最后一个episode-name的div中，style属性闭合引号与data-id之间无空格）。

先修正这些问题：

// 还原转义的双引号
String fixedHtml = html.replace(""", "\"");
// 修复属性间缺少空格的问题
fixedHtml = fixedHtml.replace("\"data-id", "\" data-id");

2. 使用XML解析模式 #

如果你的HTML片段结构是严格闭合的XML格式，直接使用Jsoup的XML解析器，避免HTML解析器的容错逻辑导致的嵌套错误：

Document document = Jsoup.parse(fixedHtml, "", Parser.xmlParser());

3. 启用严格HTML解析配置 #

若需要使用HTML解析器，可开启严格解析模式，关闭Jsoup的容错特性：

ParseSettings strictSettings = ParseSettings.strict();
Parser strictParser = Parser.htmlParser().settings(strictSettings);
Document document = Jsoup.parse(fixedHtml, "", strictParser);

4. 验证解析结果 #

解析完成后，可通过以下代码验证DOM结构是否正常：

// 输出格式化后的HTML，检查结构是否扁平化
System.out.println(document.body().html());
// 统计episode-name元素数量，确认是否正确解析
Elements episodes = document.select(".episode-name");
System.out.println("解析到的剧集数量：" + episodes.size());

内容的提问来源于stack exchange，提问作者user18065631