如何让 JTIdy 使 HTML 文档格式正确？答案

【问题标题】：How do I make JTIdy make HTML documents well-formed?如何让 JTIdy 使 HTML 文档格式正确？
【发布时间】：2012-05-10 13:55:10
【问题描述】：

标签： java html xml parsing jtidy

【解决方案1】：

如果你想要 XML 格式，你需要为 Tidy 指定几个标志

private String cleanData(String data) throws UnsupportedEncodingException {
    Tidy tidy = new Tidy();
    tidy.setInputEncoding("UTF-8");
    tidy.setOutputEncoding("UTF-8");
    tidy.setWraplen(Integer.MAX_VALUE);
    tidy.setPrintBodyOnly(true);
    tidy.setXmlOut(true);
    tidy.setSmartIndent(true);
    ByteArrayInputStream inputStream = new ByteArrayInputStream(data.getBytes("UTF-8"));
    ByteArrayOutputStream outputStream = new ByteArrayOutputStream();
    tidy.parseDOM(inputStream, outputStream);
    return outputStream.toString("UTF-8");
}

或者只是如果想要 XHTML 表单

Tidy tidy = new Tidy();
tidy.setXHTML(true);

【讨论】：

我用“setXmlOut”和“setXHTML”都试过了，但都没有生成由“document = tidy.parseDOM(...)”返回的格式良好的文档。此外，JTidy 正在吐出消息，“在使用 HTML Tidy 生成整理后的版本之前，必须修复此文档的错误。”

【解决方案2】：

使用 tidy.setXmlTags(true);解析 XML 而不是 HTML

【讨论】：

它适用于我的 HTML 解析问题之一。谢谢 :)

【解决方案3】：

即使发现错误，也可以使用Tidy.setForceOutput(true)（风险自负）生成输出。

【讨论】：

【解决方案4】：

我解析 HTML 2 次以获得格式良好的 xml

  BufferedReader br = new BufferedReader(new StringReader(str));
  StringWriter sw = new StringWriter();

  Tidy t = new Tidy();
  t.setDropEmptyParas(true);
  t.setShowWarnings(false); //to hide errors
  t.setQuiet(true); //to hide warning
  t.setUpperCaseAttrs(false);
  t.setUpperCaseTags(false);
  t.parse(br,sw);
  StringBuffer sb = sw.getBuffer();
  String strClean = sb.toString();
  br.close();
  sw.close();

  //do another round of tidyness
  br = new BufferedReader(new StringReader(strClean));
  sw = new StringWriter();

  t = new Tidy();
  t.setXmlTags(true);
  t.parse(br,sw);
  sb = sw.getBuffer();
  String strClean2 = sb.toString();
  br.close();
  sw.close();

【讨论】：