可以验证 HTML 文档是否格式正确的 Java API [重复]答案

【问题标题】：Java API that can verify whether a HTML document is well-formed or not [duplicate]可以验证 HTML 文档是否格式正确的 Java API [重复]
【发布时间】：2013-05-16 17:34:15
【问题描述】：

Maven 存储库中是否有可以解析 HTML 文档并验证其格式是否正确的 java API？

更新：

我的程序中的代码如下所示：

    url = "C:/Users/user1/Desktop/testHTML.html";
    FileInputStream fi = new FileInputStream(url);

    Tidy tidy = new Tidy();
    //tidy.setQuiet(true);
    tidy.parse(fi, null);
    //tidy.parseDOM(fi, fo);
    int tempWarnings = tidy.getParseWarnings();
    int tempErrors = tidy.getParseErrors();`

我的 HTML 文件的内容是这样的：

<html>
<head>
    <title>This is a sample doc</title>
</head>
<body>
    <p> <b>this is a sample paragraph</b></p>

然而，即使 DOCTYPE 和缺失，Tidy 也不会给出任何警告或错误。

【问题讨论】：

stackoverflow.com/questions/3152138/…

标签： java html-parsing

【解决方案1】：

是的，JTidy 在Maven....

它是一些与 HTML 相关的活动的好库。

【讨论】：

我使用过 Jtidy，但我找不到只接受 HTML 文件作为输入并判断它是否格式正确的方法。虽然有一些方法可以尝试清理文件，但我不是在寻找。

【解决方案2】：

正如@rolfl 所说，您可以为此使用JTidy。 JTidy 文档有点糟糕（而且我以前从未使用过），所以我下载了它并尝试使用它。此测试运行并给您 3 个警告：

package com.sandbox;

import org.junit.Test;
import org.w3c.tidy.Tidy;

import java.io.StringReader;
import java.io.StringWriter;

import static org.junit.Assert.assertEquals;

public class SandboxTest {

    @Test
    public void myTest() {
        Tidy tidy = new Tidy();
        StringWriter writer = new StringWriter();
        tidy.parse(new StringReader("invalid html"), writer);
        assertEquals(0, tidy.getParseErrors());
        assertEquals(0, tidy.getParseWarnings());
    }
}

这个断言在最后一行失败，因为它返回 3 而不是 0。这就是你要找的吗？

我尝试使用您的输入并收到警告：

package com.sandbox;

import org.junit.Test;
import org.w3c.tidy.Tidy;

import java.io.StringReader;
import java.io.StringWriter;

import static org.junit.Assert.assertEquals;

public class SandboxTest {

    @Test
    public void myTest() {
        Tidy tidy = new Tidy();

        StringWriter writer = new StringWriter();
        tidy.parse(new StringReader("<html>\n" +
                "<head>\n" +
                "    <title>This is a sample doc</title>\n" +
                "</head>\n" +
                "<body>\n" +
                "    <p> <b>this is a sample paragraph</b></p>"), writer);
        assertEquals(0, tidy.getParseErrors());
        assertEquals(0, tidy.getParseWarnings());
    }
}

输出：

line 1 column 1 - Warning: missing <!DOCTYPE> declaration
InputStream: Document content looks like HTML 2.0
1 warning, no errors were found!

java.lang.AssertionError: 
Expected :0
Actual   :1
  <Click to see difference>

    at org.junit.Assert.fail(Assert.java:93)
    at org.junit.Assert.failNotEquals(Assert.java:647)
    at org.junit.Assert.assertEquals(Assert.java:128)
    at org.junit.Assert.assertEquals(Assert.java:472)
    at org.junit.Assert.assertEquals(Assert.java:456)
    at com.sandbox.SandboxTest.myTest(SandboxTest.java:25)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at org.junit.runners.model.FrameworkMethod$1.runReflectiveCall(FrameworkMethod.java:45)
    at org.junit.internal.runners.model.ReflectiveCallable.run(ReflectiveCallable.java:15)
    at org.junit.runners.model.FrameworkMethod.invokeExplosively(FrameworkMethod.java:42)
    at org.junit.internal.runners.statements.InvokeMethod.evaluate(InvokeMethod.java:20)
    at org.junit.runners.ParentRunner.runLeaf(ParentRunner.java:263)
    at org.junit.runners.BlockJUnit4ClassRunner.runChild(BlockJUnit4ClassRunner.java:68)
    at org.junit.runners.BlockJUnit4ClassRunner.runChild(BlockJUnit4ClassRunner.java:47)
    at org.junit.runners.ParentRunner$3.run(ParentRunner.java:231)
    at org.junit.runners.ParentRunner$1.schedule(ParentRunner.java:60)
    at org.junit.runners.ParentRunner.runChildren(ParentRunner.java:229)
    at org.junit.runners.ParentRunner.access$000(ParentRunner.java:50)
    at org.junit.runners.ParentRunner$2.evaluate(ParentRunner.java:222)
    at org.junit.runners.ParentRunner.run(ParentRunner.java:300)
    at org.junit.runner.JUnitCore.run(JUnitCore.java:157)
    at com.intellij.junit4.JUnit4IdeaTestRunner.startRunnerWithArgs(JUnit4IdeaTestRunner.java:77)
    at com.intellij.rt.execution.junit.JUnitStarter.prepareStreamsAndStart(JUnitStarter.java:195)
    at com.intellij.rt.execution.junit.JUnitStarter.main(JUnitStarter.java:63)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
    at com.intellij.rt.execution.application.AppMain.main(AppMain.java:120)


Process finished with exit code -1

【讨论】：

感谢您的建议。这就是我一直在寻找的。但我尝试了一些格式不正确的 HTML（标签未关闭，没有 DOCTYPE 等），并且没有警告或错误。尽管（内的），它正确地为其他一些事情抛出错误。是否需要设置一些参数以使 JTidy 更严格？
@naren.katneni 默认情况下它抱怨line 1 column 1 - Warning: missing <!DOCTYPE> declaration 所以我不明白你是如何避免这种情况的。请向我们展示您的代码。
这里是代码String url = args[0]; url = "C:/Users/user1/Desktop/testHTML.html"; FileInputStream fi = new FileInputStream(url); Tidy tidy = new Tidy(); //tidy.setQuiet(true); tidy.parse(fi, null); //tidy.parseDOM(fi, fo); int tempWarnings = tidy.getParseWarnings(); int tempErrors = tidy.getParseErrors(); 当我运行代码时，它显示：Tidy (vers 4th August 2000) Parsing "InputStream" InputStream: Document content looks like HTML 2.0 no warnings or errors were found I输入 html 文件中没有 DOCTYPE。
@naren.katneni 如果您编辑问题以添加此代码会更好。尤其重要的是testHTML.html 文件的内容。
我将代码添加到问题中。