正确使用 JTidy 来净化 HTML答案

【问题标题】：Proper usage of JTidy to purify HTML正确使用 JTidy 来净化 HTML
【发布时间】：2010-03-30 16:49:07
【问题描述】：

我正在尝试使用 JTidy (jtidy-r938.jar) 来清理输入的 HTML 字符串，但我似乎无法正确设置默认设置。通常，诸如“hello world”之类的字符串在整理后会变成“helloworld”。我想展示我在这里所做的事情，任何指针都将不胜感激：

假设rawHtml 是包含输入（真实世界）HTML 的字符串。这就是我正在做的：

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

        ByteArrayOutputStream baos = new ByteArrayOutputStream();
        PrintStream ps = new PrintStream(baos);

        tidy.parse(new StringReader(rawHtml), ps);
        return baos.toString("UTF8");

首先，上面的代码看起来有什么根本错误吗？我似乎得到了奇怪的结果。

例如，考虑以下输入：

???private String parseDescription

输出是：

    privateString parseDescription

所以，

“public String parseDescription”变成“publicString parseDescription”

提前致谢！

【问题讨论】：

我还注意到 jTidy 会将&nbsp; 转换为字节a0，打印为空格（Node.getNodeValue()），但是当您尝试转换为UTF8 字符串时，它会打印出@987654329 @ 因为它不是有效的 UTF 字符！嗯，它是unicode，但不是 HTML，并显示为 ?。

标签： java tidy htmltidy jtidy

【解决方案1】：

看看 JTidy 是如何配置的：

StringWriter writer = new StringWriter();
tidy.getConfiguration().printConfigOptions(writer, true);
System.out.println(writer.toString());

也许它会弄清导致问题的原因。

有什么奇怪的？实际输出和预期输出的小例子……也许吧？

【讨论】：

【解决方案2】：

嗯，这似乎是 Jtidy 中的一个错误。有关导致问题的确切文件，请参阅此处：

http://sourceforge.net/tracker/?func=detail&aid=2985849&group_id=13153&atid=113153

感谢所有帮助的人！

【讨论】：

【解决方案3】：

这是我们如何从 Ant 调用 JTidy。您可以从中推断出 API 调用：

<tidy destdir="${build.dir.result}">
  <fileset dir="${src}" includes="**/*.htm"/>
  <parameter name="tidy-mark" value="false"/>
  <parameter name="output-xml" value="no"/>
  <parameter name="numeric-entities" value="yes"/>
  <parameter name="indent-spaces" value="2"/>
  <parameter name="indent-attributes" value="no"/>
  <parameter name="markup" value="yes"/>
  <parameter name="wrap" value="2000"/>
  <parameter name="uppercase-tags" value="no"/>
  <parameter name="uppercase-attributes" value="no"/>
  <parameter name="quiet" value="no"/>
  <parameter name="clean" value="yes"/>
  <parameter name="show-warnings" value="yes"/>
  <parameter name="break-before-br" value="yes"/>
  <parameter name="hide-comments" value="yes"/>
  <parameter name="char-encoding" value="latin1"/>
  <parameter name="output-html" value="yes"/>
</tidy>

【讨论】：