用XPath解析破损的HTML站点

Question

这里我只收到关于python的问题，我发现的工具大多是用于python的，所以新的问题是:我需要使用XPath从一个HTML站点查询一些东西。

我的当前代码如下：

URL url = new URL("http://somesite.com");
connection = (HttpURLConnection) url.openConnection();
connection.connect();

Document doc = DocumentBuilderFactory.newInstance().newDocumentBuilder()
                                     .parse(new InputSource(connection.getInputStream()));

XPathFactory xPathfactory = XPathFactory.newInstance();
XPath xpath = xPathfactory.newXPath();
XPathExpression expr = xpath.compile("//span[@class='a-class']");
String price = (String) expr.evaluate(doc, XPathConstants.STRING);

问题是，页面被破坏了，或者XPath有一些问题需要阅读：

致命错误:4:254:实体名称必须紧跟实体引用中的'&‘。 org.xml.sax.SAXParseException；lineNumber: 4；columnNumber: 254；实体名称必须紧跟实体引用中的'&‘。 在com.sun.org.apache.xerces.internal.parsers.DOMParser.parse(DOMParser.java:251) 在com.sun.org.apache.xerces.internal.jaxp.DocumentBuilderImpl.parse(DocumentBuilderImpl.java:300)

有什么工具可以更好地阅读html网站吗？还是我应该在页面上使用Regex？

Answer 1

有什么工具可以更好地阅读html网站吗？

人们对汤汁评价很高。