如何使 JTIdy 使 HTML 文档格式良好

Question

我正在使用JTidy v. r938。 我正在使用此代码尝试清理页面...

final Tidy tidy = new Tidy();
tidy.setQuiet(false);
tidy.setShowWarnings(true);
tidy.setShowErrors(0);
tidy.setMakeClean(true);
Document document = tidy.parseDOM(conn.getInputStream(), null);

但是当我解析这个 URL 时 - http://www.chicagoreader.com/chicago/EventSearch?narrowByDate=This+Week&eventCategory=93922&keywords=&page=1，事情没有得到清理。 例如，网页上的 META 标记，例如

<META http-equiv="Content-Type" content="text/html; charset=UTF-8">

保持为

<META http-equiv="Content-Type" content="text/html; charset=UTF-8">

而不是使用"标签或显示为"

"。 我通过将生成的 JTidy org.w3c.dom.Document 输出为字符串来确认这一点。

我能做些什么来使JTidy真正清理页面 - 即使其格式良好？ 我意识到还有其他工具，但这个问题特别与使用 JTIdy 有关。

Answer 1

如果需要 XML 格式，则需要指定几个标志来整理

private String cleanData(String data) throws UnsupportedEncodingException {
    Tidy tidy = new Tidy();
    tidy.setInputEncoding("UTF-8");
    tidy.setOutputEncoding("UTF-8");
    tidy.setWraplen(Integer.MAX_VALUE);
    tidy.setPrintBodyOnly(true);
    tidy.setXmlOut(true);
    tidy.setSmartIndent(true);
    ByteArrayInputStream inputStream = new ByteArrayInputStream(data.getBytes("UTF-8"));
    ByteArrayOutputStream outputStream = new ByteArrayOutputStream();
    tidy.parseDOM(inputStream, outputStream);
    return outputStream.toString("UTF-8");
}

或者只是如果想要XHTML表单

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

Answer 2

使用

tidy.setXmlTags（true）;解析 XML 而不是 HTML

Answer 3

即使发现错误，也使用 Tidy.setForceOutput(true)（风险自负）生成输出。

Answer 4

我解析 HTML 2 次以获得格式良好的 xml

  BufferedReader br = new BufferedReader(new StringReader(str));
  StringWriter sw = new StringWriter();
  Tidy t = new Tidy();
  t.setDropEmptyParas(true);
  t.setShowWarnings(false); //to hide errors
  t.setQuiet(true); //to hide warning
  t.setUpperCaseAttrs(false);
  t.setUpperCaseTags(false);
  t.parse(br,sw);
  StringBuffer sb = sw.getBuffer();
  String strClean = sb.toString();
  br.close();
  sw.close();
  //do another round of tidyness
  br = new BufferedReader(new StringReader(strClean));
  sw = new StringWriter();
  t = new Tidy();
  t.setXmlTags(true);
  t.parse(br,sw);
  sb = sw.getBuffer();
  String strClean2 = sb.toString();
  br.close();
  sw.close();