修复html中的未关闭标记或使用HTML解析器解析XSLT转换

Question

我有一些HTML代码是XSLT转换的结果。 （XML-＆GT; HTML）

我想在结果HTML上运行另一个XSLT转换。 （HTML-＆GT; HTML）

我的问题是第一个转换可能会返回未关闭的标签，如“<img>”，这意味着我无法使用DocumentBuilder解析结果html，因为它使用SAXparser，当然我的html文件不是有效的在所有情况下都是xml。 （我得到一个例外，即必须关闭以下XY标签。）

我猜有两种解决方案。

1. 通过关闭未关闭的标记来修复结果HTML。

2. 使用某种HTML解析器获取有效的org.w3c.dom.Document并跳过像SAX这样的XML解析器。

我真的很想使用我用于第一次转换的相同方法，所以我更喜欢上面的解决方案之一，我找不到任何明显的第三方罐子可以提供帮助。 （虽然我看了。）所以基本上我想知道我的选择是什么，有没有解决这个问题的方法？

非常感谢任何帮助。

Answer 1

您需要的是Jsoup : Java HTML Parser。它具有输出整洁HTML的功能。

String html = "<p>The recurrence, in close succession <ul><li>list item 1</li><li>list item 2</li></ul> second part of thisssss";
String clean = Jsoup.clean(html, Whitelist.relaxed());

您也可以使用其他Whitelist。

Answer 2

TagSoup - Just Keep On Truckin'

您可以使用TagSoup来确保所有文档格式正确。

  

...用Java编写的兼容SAX的解析器   而不是解析良好的形式   或有效的XML，按原样解析HTML   在野外发现：贫穷，讨厌和   野蛮的，虽然经常很远   短。

     

TagSoup是专为人们设计的   谁必须处理这些东西   一些理性的外表   应用设计。

     

提供SAX   接口，它允许标准的XML   即使是最糟糕的工具也适用   HTML。 TagSoup还包括一个   读取HTML的命令行处理器   文件，可以生成干净   HTML或格式良好的XML   接近XHTML。

如果您使用的是Saxon，you can make TagSoup your parser by adding the following option：

  

...您可以使用标准的Saxon -x org.ccil.cowan.tagsoup.Parser选项，   确保TagSoup打开后   你的Java类路径。

我用它来一次性解析和转换HTML文档，并发现它工作得很好。它将把文档读作格式良好的XHTML文档，可以通过XML工具进行操作和转换。

此外，Taggle, a TagSoup in C++, available now

Answer 3

您需要整理XML。试试这个库：

http://jtidy.sourceforge.net/