Início / coding / Perguntas / 79550515
Accepted
George
Asked: 2025-04-02 19:41:47 +0800 CST

Jsoup 1.19.1 StreamParser duplicando hrefs em documentos html válidos

  • 772

Ao usar StreamParser.parse(), é descoberto que os links hrefs são duplicados, enquanto que usar Jsoup.parse() retorna o documento esperado. Existe algum motivo pelo qual StreamParser criaria referências adicionais para href?

Esse é o comportamento esperado ao usar um StreamParser?

String s1= "<!DOCTYPE html>\n"
                + "<html>\n"
                + "<head>\n"
                + "  <title></title>\n"
                + "</head>\n"
                + "<body>\n"
                + "  <a href=\"https://fake.com/:x:/g/gibberishtext\">Some link</a>\n"
                + "</body>\n"
                + "</html>";

  StreamParser streamParser = new StreamParser(Parser.htmlParser());
  StreamParser parse = streamParser.parse(s1, "");
  parse.stream().forEach(System.out::println);

// Saída do StreamParser, Retorna cinco referências para href

<title></title>
<head>
 <title></title>
</head>
<a href="https://fake.com/:x:/g/gibberishtext">Some link</a>
<body>
 <a href="https://fake.com/:x:/g/gibberishtext">Some link</a>
</body>
<a href="https://fake.com/:x:/g/gibberishtext">Some link</a>
<body>
 <a href="https://fake.com/:x:/g/gibberishtext">Some link</a>
</body>
<html>
 <head>
  <title></title>
 </head>
 <body>
  <a href="https://fake.com/:x:/g/gibberishtext">Some link</a>
 </body>
</html>
<!doctype html>
<html>
 <head>
  <title></title>
 </head>
 <body>
  <a href="https://fake.com/:x:/g/gibberishtext">Some link</a>
 </body>
</html>

Enquanto usar Jsoup.parse() retorna o documento esperado

 Document parse1 = Jsoup.parse(s1);
 System.out.println(parse1.toString());

//Saída do uso do Jsoup 1.19.1

<!doctype html>
<html>
 <head>
  <title></title>
 </head>
 <body>
  <a href="https://fake.com/:x:/g/gibberishtext">Some link</a>
 </body>
</html>

Mais atualizações...

Agora para tornar isso mais interessante...

Se eu chamar Jsoup.parse(s1).stream().forEach(System.out::println), ele retornará um resultado semelhante ao StreamParser.

Por que chamar stream() está causando duplicação?

java

1 respostas

  1. Best Answer

    Essa é uma pergunta interessante! Na verdade, há dois tipos de duplicações acontecendo.

    1ª Duplicação

    Primeiro, quando você imprime um elemento, você também imprime todos os seus filhos. Isso torna sua saída um pouco verbosa. Talvez seja mais prudente substituir:

    parse.stream().forEach(System.out::println);

    com algo como:

    parse.stream().forEach(el -> System.out.println(el.tagName()));

    para imprimir somente tags de elementos.

    2ª Duplicação

    Corrigindo 1 , você observaria a seguinte saída:

    title
head
a
body
a
body
html
#root

    Ainda há alguma duplicação, mas não tanto. Vamos primeiro focar na ordem de saída. Com StreamParser...

    Os elementos são emitidos à medida que são concluídos... [Fonte]

    Isso significa que sempre que um elemento completo for analisado, ele será emitido . É fácil verificar que titleé o primeiro elemento que é totalmente analisado.

    Entretanto, a seguinte sequência:

    a
body

    aparecer duas vezes na saída parece errado. Alguém esperaria apenas uma ocorrência. Não sei dizer se isso é um comportamento intencional ou um bug.

    Mas se eu substituir:

    StreamParser streamParser = new StreamParser(Parser.htmlParser());

    com:

    StreamParser streamParser = new StreamParser(Parser.xmlParser());

    Obtenho a saída que esperava:

    title
head
a
body
html
#root
    • 1

relate perguntas