Question

我正在使用tagsoup来清理我正在从互联网上抓取的一些HTML，并且在解析带有注释的页面时出现以下错误：

The data "- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - " is not legal for a JDOM comment: Comment data cannot start with a hyphen.

我正在使用JDOM 1.1，这是执行实际清理的代码：

    SAXBuilder builder = new org.jdom.input.SAXBuilder("org.ccil.cowan.tagsoup.Parser"); // build
    // Don't check the doctype! At our usage rate, we'll get 503 responses
    // from the w3.
    builder.setEntityResolver(dummyEntityResolver);
    Reader in = new StringReader(str);
    org.jdom.Document doc = builder.build(in);
    String cleanXmlDoc = new org.jdom.output.XMLOutputter().outputString(doc);

知道出了什么问题，或者如何解决这个问题？我需要能够使用

的长注释字符串来解析页面

Answer 1

XML/HTML/SGML comment以--开头，以--结尾，不包含--。评论声明包含零个或多个评论。

您的示例字符串可以重新格式化为：

<!----
  ----
  - data
  ----
  ----
  ---->

如您所见，- data不是有效评论，因此该文档无效HTML。在您的特定情况下，您可以通过使用空字符串替换正则表达式/<?!--.*?-->/来修复它，但请注意，此更改也可能会破坏某些有效文档。

JDOM 1.1：连字符不是有效的注释字符

1 个答案: