HTML字符串的解析-dom4j

最新推荐文章于 2021-06-23 07:09:08 发布

youyouno_login

最新推荐文章于 2021-06-23 07:09:08 发布

阅读量5.3k

点赞数 1

分类专栏：开发工具使用文章标签： html文件解析 dom4j解析 xml解析 html格式解析

本文链接：https://blog.csdn.net/yy11534/article/details/79071020

版权

博客讲述了在处理OCR识别返回的HTML字符串时，如何利用dom4j进行解析以获取特定标签内容的过程，强调了dom4j在解析XML时的常见应用。

摘要由CSDN通过智能技术生成

1. 问题出现

最近做身份证识别，ocr识别返回一堆html格式的字符串：

<div class='ocr_page' id='page_1' title='image ""; bbox 0 0 648 648; ppageno 0'>
<div class='ocr_carea' id='block_1_2' title="bbox 29 213 648 332">
<p class='ocr_par' id='par_1_2' lang='eng' title="bbox 29 213 648 332">
<span class='ocr_line' id='line_1_5' title="bbox 29 213 648 332; baseline -0.011 -55; x_size 34.444443; x_descenders 8.6111107; x_ascenders 8.6111107"><span class='ocrx_word' id='word_1_13' title='bbox 29 245 327 280; x_wconf 18'><strong><em>ASCXVTHQHUUFWWXHS</em></strong></span> <span class='ocrx_word' id='word_1_14' title='bbox 362 213 648 332; x_wconf 58'><strong><em>u</em></strong></span> 
</span>
</p>
</div>
<div class='ocr_carea' id='block_1_3' title="bbox 87 394 611 429">
<p class='ocr_par' id='par_1_3' lang='eng' ti