如何用HTMLDocument获取HTML元素属性？Java解析代码为何未生效

咱们先来拆解你遇到的问题：用javax.swing.text.html相关API解析HTML时，没法检测到body标签的自定义属性a1/a2/a3，预期a1 exists返回true但实际是false。下面分情况给你说明：

问题出在哪？ #

1. 代码逻辑错误 #

你当前的代码里，在遍历元素时，错误地去检查子元素的属性，而不是当前body元素本身的属性。看这段代码：

if ((name instanceof HTML.Tag)) {
    StringBuffer text = new StringBuffer();
    int count = element.getElementCount();
    for (int i = 0; i < count; i++) {
        Element child = element.getElement(i);
        AttributeSet childAttributes = child.getAttributes();
        // 这里检查的是child的属性，而不是当前element（比如body）的属性！
        System.out.println(" a1 exists : " + childAttributes.isDefined("a1"));
    }
}

当element是body元素时，你循环遍历它的子元素（比如H1、p标签），然后检查子元素的属性，这当然找不到body的a1属性。

2. 默认解析器的限制 #

即使你修正了逻辑，默认的ParserDelegator使用的是HTML 3.2的DTD，它只会识别标准的HTML属性，对于自定义属性（比如a1）会直接忽略，不会将其存入AttributeSet中。

怎么解决？ #

方案1：修正代码逻辑（仅针对标准属性有效） #

先把代码里的属性检查逻辑改对，直接检查当前元素的属性，而不是子元素：

while ((element = iterator.next()) != null) {
    System.out.println("Element : " + element);
    AttributeSet attributes = element.getAttributes();
    Object name = attributes.getAttribute(StyleConstants.NameAttribute);
    if ((name instanceof HTML.Tag)) {
        // 直接检查当前元素的属性
        System.out.println(" Attribute count : " + attributes.getAttributeCount());
        System.out.println(" a1 exists : " + attributes.isDefined("a1"));
        
        // 原来的子元素遍历可以保留，用来处理文本内容
        StringBuffer text = new StringBuffer();
        int count = element.getElementCount();
        for (int i = 0; i < count; i++) {
            Element child = element.getElement(i);
            int startOffset = child.getStartOffset();
            int endOffset = child.getEndOffset();
            int length = endOffset - startOffset;
            text.append(htmlDoc.getText(startOffset, length));
        }
    }
}

但注意：这个修正只能解决逻辑错误，对于自定义属性，默认解析器还是不会识别它们。

方案2：支持自定义属性（换用更灵活的解析库） #

如果要让解析器识别自定义属性，最省心的方式是换用更现代的HTML解析库（比如jsoup），它对自定义属性的支持非常友好，代码也更简洁。

比如用jsoup的话，代码会非常简单：

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;

public class JsoupParserTest {
    public static void main(String[] args) throws Exception {
        Document doc = Jsoup.parse("<html> <head> Hello World </head> <body a1=\"ABC\" a2=\"3974\" a3=\"A1B2\"> <H1>Start Here</H1> <p>This is the body</p> </body> </html>");
        Element body = doc.body();
        System.out.println("a1 exists: " + body.hasAttr("a1"));
        System.out.println("a1 value: " + body.attr("a1"));
        System.out.println("a2 value: " + body.attr("a2"));
        System.out.println("a3 value: " + body.attr("a3"));
    }
}

这段代码能轻松检测并获取所有自定义属性。

总结 #

• 你的原始代码存在逻辑错误，检查了错误元素的属性；
• 默认的javax.swing.text.html解析器不支持自定义属性，因为它基于旧的HTML DTD；
• 要么自定义解析器，要么换用更现代的HTML解析库来处理自定义属性。

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