当Jsoup遇到某些类型的HTML(复杂或不正确)时,它可能会发出格式错误的HTML.一个例子是:
<html>
<head>
<meta name="x" content="y is "bad" here">
</head>
<body/>
</html>
引号应该被转义的地方.当Jsoup解析它时,它会发出:
<html>
<head>
<meta name="x" content="y is " bad"="" here"="" />
</head>
<body></body>
</html>
这不符合HTML或XML.这是有问题的,因为它将在链的下一个解析器中失败.
有没有办法确保Jsoup发出错误消息或(如HtmlTidy)可以输出格式良好的XML,即使它已经丢失了一些信息(毕竟我们现在无法确定什么是正确的).
更新:失败的代码是:
@Test
public void testJsoupParseMetaBad() {
String s = "<html><meta name=\"x\" content=\"y is \"bad\" here\"><body></html>";
Document doc = Jsoup.parse(s);
String ss = doc.toString();
Assert.assertEquals("<html> <head> <meta name=\"x\" content=\"y is \""
+" bad\"=\"\" here\"=\"\" /> </head> <body></body> </html>", ss);
}
我在用:
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.7.2</version>
</dependency>
其他人似乎有同样的问题: JSoup - 内部属性 的引用答案那里没有帮助我,因为我必须接受我给予的
问题是当你解析时，因为 jsoup 正在创建 3 个属性：
content="y is "bad" here"
并且属性的名称包含 quote " 字符。Jsoup 会转义属性的值，但不会转义其名称。
由于您正在从字符串构建 html 文档，因此您可能会在解析阶段出现错误。有一种方法获取 org.jsoup.parser.Parser 作为参数。默认解析方法不跟踪错误。
String s = "<html><meta name=\"x\" content=\"y is \"bad\" here\"><body></html>";
Parser parser = Parser.htmlParser(); // or Parser.xmlParser
parser.setTrackErrors(100);
Document doc = Jsoup.parse(s, "", parser);
System.out.println(parser.getErrors());
输出：
[37：输入状态 [AfterAttributeValue_quoted] 中出现意外字符 'a'，40：输入状态 [AttributeName] 中出现意外字符 ' '，46：输入状态 [AttributeName] 中出现意外字符 '>']
如果您不想更改解析而只想获得有效的输出，您可以删除无效的属性：
public static void fixIt(Document doc) {
Elements els = doc.getAllElements();
for(Element el:els){
Attributes attributes = el.attributes();
Set<String> remove = new HashSet<>();
for(Attribute a:attributes){
if(isForbidden(a.getKey())){
remove.add(a.getKey());
}
}
for(String k:remove){
el.removeAttr(k);
}
}
}
public static boolean isForbidden(String el) {
return el.contains("\""); //TODO
}