正確使用JTidy來淨化HTML

Question

我正在嘗試使用JTidy（jtidy-r938.jar）來清理輸入的HTML字符串，但我似乎遇到了將默認設置正確的問題。經常收集「hello world」之類的字符串，最終會成爲「helloworld」。我想在這裏展示我在做什麼，並且任何指針都會非常感謝：

假設rawHtml是包含輸入（真實世界）HTML的字符串。這是我在做什麼：

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

     ByteArrayOutputStream baos = new ByteArrayOutputStream(); 
     PrintStream ps = new PrintStream(baos); 

     tidy.parse(new StringReader(rawHtml), ps); 
     return baos.toString("UTF8"); 

首先，上面的代碼看起來根本不對嗎？我似乎正在得到奇怪的結果。

例如，請考慮以下輸入：

<p class="MsoNormal" style="text-autospace:none;"><font color="black"><span style="color:black;">???</span></font><b><font color="#7f0055"><span style="color:#7f0055;font-weight:bold;">private</span></font></b><font color="black"><span style="color:black;"> String parseDescription</span></font><font>

輸出是：

<p class="MsoNormal" style="text-autospace:none;"><font color= "black"><span style="color:black;">&nbsp;&nbsp;&nbsp;</span></font> <b><font color="#7F0055"><span style= "color:#7f0055;font-weight:bold;">private</span></font></b><font color="black"><span style="color:black;">String parseDescription</span></font></p>

所以，

「公共字符串parseDescription」 變成 「publicString parseDescription」

提前致謝！

Answer 1

好吧，這似乎是Jtidy中的一個bug。對於這導致問題的確切文件，這裏指：

http://sourceforge.net/tracker/?func=detail&aid=2985849&group_id=13153&atid=113153

感謝所有幫助鄉親！

Answer 2

以下是我們如何從Ant調用JTidy。你可以從中推斷API調用：

<tidy destdir="${build.dir.result}"> 
    <fileset dir="${src}" includes="**/*.htm"/> 
    <parameter name="tidy-mark" value="false"/> 
    <parameter name="output-xml" value="no"/> 
    <parameter name="numeric-entities" value="yes"/> 
    <parameter name="indent-spaces" value="2"/> 
    <parameter name="indent-attributes" value="no"/> 
    <parameter name="markup" value="yes"/> 
    <parameter name="wrap" value="2000"/> 
    <parameter name="uppercase-tags" value="no"/> 
    <parameter name="uppercase-attributes" value="no"/> 
    <parameter name="quiet" value="no"/> 
    <parameter name="clean" value="yes"/> 
    <parameter name="show-warnings" value="yes"/> 
    <parameter name="break-before-br" value="yes"/> 
    <parameter name="hide-comments" value="yes"/> 
    <parameter name="char-encoding" value="latin1"/> 
    <parameter name="output-html" value="yes"/> 
</tidy> 

Answer 3

看一看JTidy是如何配置：

StringWriter writer = new StringWriter(); 
tidy.getConfiguration().printConfigOptions(writer, true); 
System.out.println(writer.toString()); 

也許它然後得到明確是什麼原因導致的問題。

什麼是奇怪的？小實例，實際產出和預期...也許？