Android: tagsoup

今年度作成するアプリケーションでWebViewで表示したページを解析しないといけないのですが、WebViewに表示中のページ（文字列、または、文書木）を取得するインタフェースがありません。

表示しているページのソースは、lexanderA: Extracting HTML from a WebViewを参考に取得することができますが、今度はHTMLを解析するプロセッサがありません。

そこで、tagsoupのプロジェクトHPからダウンロードしたtagsoup-1.2.jarをクラスライブラリに追加し、Showdown: JavaHTML Parser Comparisonに倣って Parser にSAXのContentHandlerをセット。イザ、実行…あっけなく実装したContentHandlerの各メソッドが呼び出されました。

AndroidのAPIリファレンスを注意深く眺めていると、なんと、android.text.Htmlがtagsoupを使っていることを臭わせる一文が…

This uses TagSoup to handle real HTML, including all of the brokenness found in the wild.

だったら、APIとして公開してくれてもいいのに。

でも、まぁ、文書木（DOM）を構築するようにContentHandlerを実装しちゃえばいい訳だし、問題クリアかな。