[英]How can Jsoup output well-formed XML?
當Jsoup遇到某些類型的HTML(復雜或不正確)時,它可能會發出格式錯誤的HTML。 一個例子是:
<html>
<head>
<meta name="x" content="y is "bad" here">
</head>
<body/>
</html>
引號應該被轉義的地方。 當Jsoup解析它時,它會發出:
<html>
<head>
<meta name="x" content="y is " bad"="" here"="" />
</head>
<body></body>
</html>
這不符合HTML或XML。 這是有問題的,因為它將在鏈的下一個解析器中失敗。
有沒有辦法確保Jsoup發出錯誤消息或(如HtmlTidy)可以輸出格式良好的XML,即使它已經丟失了一些信息(畢竟我們現在無法確定什么是正確的)。
更新:失敗的代碼是:
@Test
public void testJsoupParseMetaBad() {
String s = "<html><meta name=\"x\" content=\"y is \"bad\" here\"><body></html>";
Document doc = Jsoup.parse(s);
String ss = doc.toString();
Assert.assertEquals("<html> <head> <meta name=\"x\" content=\"y is \""
+" bad\"=\"\" here\"=\"\" /> </head> <body></body> </html>", ss);
}
我在用:
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.7.2</version>
</dependency>
其他人似乎有同樣的問題: JSoup - 內部屬性的引用那里的答案沒有幫助我,因為我必須接受我給予的
問題是當你解析時,因為jsoup正在創建3個屬性:
content="y is "bad" here"
並且屬性的名稱包含引號“character.Jsoup確實轉義屬性的值,但不轉義它的名稱。
由於您是從字符串構建html doc,因此可以在解析階段獲得錯誤。 有一種方法是將org.jsoup.parser.Parser作為參數。 默認的解析方法不是跟蹤錯誤。
String s = "<html><meta name=\"x\" content=\"y is \"bad\" here\"><body></html>";
Parser parser = Parser.htmlParser(); // or Parser.xmlParser
parser.setTrackErrors(100);
Document doc = Jsoup.parse(s, "", parser);
System.out.println(parser.getErrors());
輸出:
[37:輸入狀態[AfterAttributeValue_quoted]中的意外字符'a',40:輸入狀態[AttributeName]中的意外字符',46:輸入狀態[AttributeName]中的意外字符'>']
如果您不想更改解析並且只想獲得有效輸出,則可以刪除無效屬性:
public static void fixIt(Document doc) {
Elements els = doc.getAllElements();
for(Element el:els){
Attributes attributes = el.attributes();
Set<String> remove = new HashSet<>();
for(Attribute a:attributes){
if(isForbidden(a.getKey())){
remove.add(a.getKey());
}
}
for(String k:remove){
el.removeAttr(k);
}
}
}
public static boolean isForbidden(String el) {
return el.contains("\""); //TODO
}
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.