在我的Java webapp中，我创建了长HTML文本的摘要文本。在截断过程中，字符串中的HTML片段经常断开，产生带有无效＆amp;的HTML字符串。破碎的碎片。像这个示例HTML字符串：
Visit this link <img src="htt
是否有任何Java库可以更好地处理这个问题，以避免上述碎片碎片？
或者我可以将它包含在HTML页面中吗？以某种方式使用客户端代码处理这个问题？
答案 0 :(得分：0)
由于浏览器通常能够处理几乎所有垃圾（如果它不是XHTML ......），如果输入实际发生的唯一事情（假设它是任何类型的有效HTML）正在切片，那么你唯一要担心的是实际摆脱无效的开口标签;你将无法区分标签的破碎“结尾”，因为它们本身并不是特殊的。我只需要生成一个切片并从最后解析它;如果我遇到一个迷路的'＆lt;'，我会在它之后摆脱一切。同样地，我会跟踪最后打开的标签 - 如果下一次关闭之后它没有关闭那个确切的标签，那么很可能是结束标签出来了，所以我会插入它。
这仍会产生大量垃圾，但至少会解决一些基本问题。
更好的方法是管理一堆打开/关闭的标签，并在它们出现时生成/删除所需/已损坏/不必要的标签。堆栈是一个合适的解决方案，因为HTML标签不是'交叉'[规范，AFAIR就是这样来自HTML 4]，即＆lt; span＆gt;＆lt; div＆gt;＆lt; / span＆gt; ＆LT; / DIV＆GT;无效。
更好的方法是在首次将文档解析为SGML / HTML / XML （取决于确切的HTML文档类型）之后拼接文档 - 然后您可以删除节点，而不会损坏文档结构
请注意，如果没有提供用于生成此“乱码”内容的精确算法，您实际上无法确定标记是否正确。
答案 1 :(得分：0)
我使用owasp-java-html-sanitizer来修复那些损坏的片段，以便从Java生成安全的HTML标记。
PolicyFactory html_sanitize_policy = Sanitizers.LINKS.and(Sanitizers.IMAGES); String safeHTML = html_sanitize_policy.sanitize(htmlString);
这似乎是我遇到的所有解决方案中最简单的。