jsoup 到 w3c 文档：INVALID_CHARACTER_ERR

Question

我的用例：通过 jsoup 获取 html 页面并返回 w3c-DOM 以供 XML 转换进一步处理：

...
org.jsoup.nodes.Document document = connection.get();
org.w3c.dom.Document dom = new W3CDom().fromJsoup(document);
...

适用于大多数文档，但对于某些文档，它会抛出 INVALID_CHARACTER_ERR 而不会告诉哪里。

似乎很难找到错误。我将代码更改为首先将 url 导入字符串，然后通过正则表达式检查错误字符。但这对不良属性（例如，没有价值）等没有帮助。

我目前的解决方案是通过在 jsoup-document（head、img、script ...）中按标签删除元素来最大程度地降低风险。

有没有更优雅的解决方案？

Answer 1

OP回复nyname00找到的解决方案：

非常感谢；这解决了问题：

Whitelist whiteList = Whitelist.relaxed();
Cleaner cleaner = new Cleaner(whiteList);
jsoupDom = cleaner.clean(jsoupDom);

“放松”实际上意味着放松的开发人员......

Answer 2

尝试为您的文档将outputSettings 设置为“XML”：

document
  .outputSettings()
  .syntax(OutputSettings.Syntax.xml);

document 
    .outputSettings()
    .charset("UTF-8");

这应该确保生成的 XML 有效。