admin 管理员组文章数量: 887032
2024年1月10日发(作者：crontab在线生成)
/blog/730337
2010-08-05
html to xml：Jtidy的使用及注意事项（jtidy-r938）
文章分类:Java编程
最近在做一个项目，要把html转换为格式规范的xml（不受DTD约束），然后再用dom4j进行分析，于是就去找html to xml的工具。
发现有两款，一个是NekoHTML，一个是Jtidy。因为貌似Jtidy比较符合我的需求，于是我就下载了Jtidy（jtidy-r938， 2009-12-01，新版本的 ）。
JTidy是HTML Tidy(一个HTML语法检查器和优雅的打印编排工具）的Java移植，除了本身具有的清除HTML文件难看或错误内容的功能外，还提供了一个DOM接
口，程序员可以将JTidy当作一个处理HTML文件的DOM解析器来使用。 而且它有很多参数可以设置，可以定制出符合用户要求的规范的XML文档格式。
网上所有的帖子、教程都是讲的内容都差不多的（就两三篇在COPY），感觉参考价值不大，而且还是讲2001年那个版本，让我很汗，不过它上一次的更新的确是2001年的（这也得怪他的开发团队更新的慢~）。
下面我就简单的说说jtidy的使用，及一些我注意到的细节吧。
Jtidy的使用非常简单，所有的功能都是通过一个类来完成的，即。
Tidy类用于将html转换为xml的方法有3种，每种方法对输入输出参数都有多种重载，使用方法大同小异：
Node
parse (tream in, Stream out)
Reads from the given input and returns the root Node.
.
parseDOM (tream in, Stream
Document
out)
Parses InputStream in and returns a DOM Document node.
void
pprint ( node, Stream out)
Pretty-prints a DOM Node.
parseDOM()是直接调用parse()的，pprint()是用于输出或者nt对象的，所以一般直接调用parse()就够了。
Jtidy使用非常简单，下面我就展示个 最简单的例子 ：
Java代码
1. import putStream;
2. import tputStream;
3. import riter;
4. import ;
5.
6. public class Test {
7.
8. public static void main(String[] args) throws Exception {
9.
10. Tidy tidy = new Tidy(); //使用Jtidy几乎只需要用的这一个类
11. //设置jtidy的配置文件，当然你也可以在程序根据需要中设置
12. figurationFromFile("");
13. out(new PrintWriter("")); //输出错误与警告信息,默认输出到stdout
14. //需要转换的文件，当然你也可以转换URL的内容
15. FileInputStream in = new FileInputStream("");
16. FileOutputStream out = new FileOutputStream("");
//输出的文件
17. (in, out); //开始转换了~~~Jtidy把所有东西都封装好了，哈哈~~
18. (); //转换完成关闭输入输出流
19. ();
20. }
21.}
22.
Jtidy好用的原因是因为它 定制功能很强大 ，Tidy类里面有一堆setter/getter函数，就是用来对功能进行定制的。
当然这些配置信息也可从一个文件读出来，该文件是一个property file，例如：
indent: auto
wrap: 72
tidy-mark: yes
doctype: omit
quote-nbsp: no
quote-ampersand: no
wrap-script-literals: yes
literal-attributes: yes
force-output: yes
下面列举了一些比较 常用的配置 （还有一大堆没列出来的， 附件里面有官网给出的配置含义，可以下载来参考 ）：
add-xml-decl：是否输出“” declaration
enclose-text：是否将所有
标签闭合
enclose-block-text：给所有文本加上
标签，使其闭合
show-errors：是否输出错误
show-warnings：是否输出警告
quote-ampersand：是否将&输出为&
quote-marks：是否将“输出为"
quote-nbsp：是否将空格输出为
indent：是否要缩进：block-level tags
indent-spaces：每次缩进的空格数
wrap：每行最多字符数，超过则自动换行，如果为0则不自动换行
char-encoding：字符编码，类似的还有output-encoding、input-encoding
literal-attributes：是否保持attribute中的空白字符不变
force-output：遇到错误是否继续输出
numeric-entities：是否将字符输出为HTML字符实体（如<、>）
doctype：是否输出DOCTYPE
tidy-mark：是否要输出Jtidy的标签
drop-font-tags：是否去掉、
clean：是否要清除掉多余的标签，这对处理从MS Word中复制到Html中的内容特别有效
Tidy里面这么多的配置属性，要是用户不小心设了一些互相矛盾的配置怎么办？ Tidy会自动将低层次的配置调整以满足高层次配置的要求。
配置之间具体的限制主要如下 （或许还有其他的，我尚未发现）：
如果enclose-block-text设为 yes，则enclose-text为yes
如果input-xml设为 yes，则output-xml为yes
如果input-xml设为 yes，则assume-xml-procins为yes
如果input-xml设为 yes，则output-xhtml为no
如果output-xhtml设为 yes，则output-xml为yes
如果output-xhtml设为 yes，则uppercase-tags为no
如果output-xhtml设为 yes，则uppercase-attributes为no
如果输出字符集不是utf-8也不是ASCII且output-xml为yes，则 add-xml-decl为yes
如果output-xml设为 yes，则quote-ampersand为yes
如果output-xml设为 yes，则hide-endtags为no
下面说说使用的时候 需要注意的问题 ：
1、注释符号被转化为html字符实体
例如：
这是因为设了output-xml：yes
如果你不是想转换成xml格式，只是想输出结构良好的xhtml文档，那就不要把output-xml设为yes
This option specifies if Tidy should pretty print output, writing it as
well-formed XML. Any entities not defined in XML 1.0 will be written as
numeric entities to allow them to be parsed by a XML parser. The original
case of tags and attributes will be preserved, regardless of other options.
这个选项会将所有DTD未定义的字符输出成numeric entities，而且会无视jtidy其他的设置。
2、输出的DocType在dom4j处理中可能导致报错
Dom4j在解释xml的时候会访问web上的dtd，如果没联网的话，dom4j就会报错，如果想避免这种问题，可以把doctype设为omit（不输出DocType信息）。
3、中文乱码解决
由于jtidy转换html的时候需要考虑字符编码，但每个网页的字符编码都可能是不同的，如果有中文信息，那么很容易产生乱码。
我的解决办法很简单，因为html文件里面一般都包含了字符编码的信息， 读进一小段来分析一下便可 。
以下是我是用的函数，只需读取前1024个字节，由于用到了InputStream的mark()、reset()方法，所以需要BufferedInputStream。
Java代码
1. /**
2. * 利用正则表达式匹配html输入流中的charset信息
3. * @param bin 由于用到了InputStream的mark()、reset()方法，
4. * 所以需要BufferedInputStream
5. * @return 该html文件的字符编码，如果没找到则返回iso8859-1
6. * @throws IOException
7. */
8. public String getEncodingOfStream(BufferedInputStream bin)
throws IOException {
9. byte[] bytes = new byte[1024]; //存放读入的信息，一次读入1024个字节
10. (1024); //标记初始位置,设标记失效的最大字节数为1024
11. int len = (bytes);
12. String encoding;
13. String encoding_tag = "
14. String detector = new String(bytes, 0, len, "iso8859-1"); //默认用iso8859-1，避免丢失信息
15. Pattern encodingPattern = e(encoding_tag, _INSENSITIVE);
16. Matcher m = r(detector);
17. if (()) {
18. encoding = (1); //第1个group匹配的就是需要的字符编码
19. } else {
20. encoding = "iso8859-1"; //如果没找到就当做iso8859-1算了
21. }
22. ();
23. return encoding;
24. }
25.
获取字符编码后，在jtidy里面setInputEncoding()一下就行了。
4、输出编码问题
由于 dom4j的默认编码是utf8的 ，为了方便，可以把jtidy的输出编码设为utf-8
5、输出配置信息
如果你弄了半天还是被jtidy复杂的配置弄得晕头转向，你可以把他的 配置输出来看看 ，方法如下：
figuration().printConfigOptions(new
PrintWriter(), true);
版权声明：本文标题：JTidy的使用和配置 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.freenas.com.cn/jishu/1704835297h463666.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论