Jsoup如何输出格式良好的XML？答案

【问题标题】：How can Jsoup output well-formed XML?Jsoup如何输出格式良好的XML？
【发布时间】：2014-01-07 15:58:39
【问题描述】：

当 Jsoup 遇到某些类型的 HTML（复杂或不正确）时，它可能会发出格式错误的 HTML。一个例子是：

<html>
 <head>
  <meta name="x" content="y is "bad" here">
 </head>
 <body/>
</html>

引号应该被转义的地方。当 Jsoup 解析它时，它会发出：

<html>
 <head>
  <meta name="x" content="y is " bad"="" here"="" />
 </head>
 <body></body>
</html>

不符合 HTML 或 XML 标准。这是有问题的，因为它将在链下的下一个解析器中失败。

有什么方法可以确保 Jsoup 发出错误消息或（如 HtmlTidy）即使丢失了一些信息也能输出格式正确的 XML（毕竟我们现在无法确定什么是正确的）。

更新：失败的代码是：

    @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);
}

我正在使用：

    <dependency>
        <groupId>org.jsoup</groupId>
        <artifactId>jsoup</artifactId>
        <version>1.7.2</version>
    </dependency>

其他人似乎也有同样的问题： JSoup - Quotations inside attributes 那里的答案对我没有帮助，因为我必须接受给我的东西

【问题讨论】：

由于 jSoup 是一个 DOM 解析器，它不应该这样做。从 DOM 重建 HTML 文本不会导致您显示的输出（恕我直言）。是否包含显示此行为的代码示例？
我同意你的逻辑。我添加了用于解析上述“HTML”的代码。
@Tomalak 哪里说 jSoup 是一个 DOM 解析器（在 w3c 意义上）？本地名称似乎相同，但仅此而已。快速浏览源代码后，修复此问题可能需要更改代码。
我还没有找到解决这个问题的方法，我也不相信 Jsoup 和 JTidy 一样有用和健壮。
也许你应该简单地用测试用例报告一个问题:)

标签： html xml jsoup

【解决方案1】：

问题在于当你解析时，因为 jsoup 正在从以下位置创建 3 个属性：

content="y is "bad" here"

并且属性的名称包含引号 " 字符。Jsoup 会转义属性的值，但不会转义其名称。

由于您是从字符串构建 html 文档，因此您可能会在解析阶段遇到错误。有一种方法将 org.jsoup.parser.Parser 作为参数。默认解析方法不跟踪错误。

    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());

输出：

[37：输入状态[AfterAttributeValue_quoted]中的意外字符'a'，40：输入状态[AttributeName]中的意外字符''，46：输入状态[AttributeName]中的意外字符'>']

如果您不想更改解析并且只想获得有效的输出，您可以删除无效属性：

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
}

【讨论】：