getAttributeによるHTMLのタグ抽出について

質問

web上にあるHTMLで書かれた文書から、タグ別に抽出しようと思っています。以下にあるのはプログラムの一部です。
<a　href～のタグだときちんと抽出できるのですが、<img　src～から始まるタグでは抽出できなかったのです。どこがいけないのでしょうか？
よろしくお願いします。

.
.
.
public void handleStartTag(HTML.Tag tag, MutableAttributeSet attr, int pos) {

if (tag.equals(HTML.Tag.A)) {
href[i] = (String) attr.getAttribute(HTML.Attribute.HREF);
i++;
}
else if (tag.equals(HTML.Tag.IMG)) {
src[j] = (String) attr.getAttribute(HTML.Attribute.SRC);
j++;
}
else {

}
}
.
.
.

回答No.1

noname#49664 · ベストアンサー

コード全体がわからないので想像ですが・・・。

handleStartTagってことは、HTMLEditorKit.ParserCallback継承クラスを定義して、その中のメソッドをオーバーライドしたのだけどうまく動かない、ということでしょうか？？

コードを見ましたが、<img>タグは取得できません。なぜなら、<img>タグはhandleStartTagではハンドリングされないからです。handleStartTagは、開始タグの処理のためのものであり、開始・終了の２つのタグによって構築されるものの開始部分を処理するためのものです。したがって、<img>タグを処理したいなら、開始と終了を持たない単独タグを処理するhandleSimpleTagをオーバーライドする必要があります。

public void handleSimpleTag(Tag tag, MutableAttributeSet attr, int pos) {
if (tag.equals(HTML.Tag.IMG)) {
String src = (String)attr.getAttribute(HTML.Attribute.SRC);
System.out.println(src);
}
super.handleSimpleTag(tag, attr, pos);
}

例えば、こんな感じで<img>タグを処理できると思います。
HTMLEditorKit.ParserCallbackには、この他に終了タグを処理するhandleEndTagとかテキスト部分を処理するhandleText、コメントを処理するhandleCommentなどのメソッドがあります。これらを一通り全て実装してみれば、それぞれの役割分担がわかりますよ。

お礼

で、出来ました．．．
なぜ抽出できないのかさっぱりわからなかったのですが、ほんとにありがたいです。
ありがとうございました。