防止 Jsoup.parse 删除结束 </img> 标记答案

【问题标题】：Preventing Jsoup.parse from removing the closing </img> tag防止 Jsoup.parse 删除结束 </img> 标记
【发布时间】：2017-04-23 18:14:34
【问题描述】：

我正在用 Jsoup.parse 解析一段 html。

其他一切都很好，但我应该稍后在 pdf 转换器中解析这个 html。

由于某种原因，Jsoup.parse 删除了结束标记，而 pdf-parser 抛出一个关于缺少结束 img 标记的异常。

Can't load the XML resource (using TRaX transformer). org.xml.sax.SAXParseException; 
lineNumber: 115; columnNumber: 4; The element
type "img" must be terminated by the matching end-tag "</img>"

如何防止 Jsoup.parse 移除结束的 img 标签？

例如这一行：

<img src="C:\path\to\image\image.png"></img>

转向：

<img src="C:\path\to\image\image.png">

同样的情况发生在：

<img src="C:\path\to\image\image.png"/>

代码如下：

private void createPdf(File file, String content) throws IOException, DocumentException {
        OutputStream os = new FileOutputStream(file);
            content = tidyUpHTML(content);
            ITextRenderer renderer = new ITextRenderer();
            renderer.setDocumentFromString(content);
            renderer.layout();
            renderer.createPDF(os);
        os.close();
    }

这是在上述方法中调用的 tidyUpHTML 方法：

private String tidyUpHTML(String html) {
    org.jsoup.nodes.Document doc = Jsoup.parse(html);
    doc.select("a").unwrap();
    String fixedTags = doc.toString().replace("<br>", "<br />");
    fixedTags = fixedTags.replace("<hr>", "<hr />");
    fixedTags = fixedTags.replaceAll("&nbsp;","&#160;");
    return fixedTags;
}

【问题讨论】：

能否请您发布您的Jsoup解析代码，以便我们了解它为什么要删除结束标签。
@SachinSarawgi，已更新

标签： java jsoup html-parsing pdf-parsing

【解决方案1】：

您的 PDF 转换器需要 xhtml（因为它需要结束 img 标记）。设置 Jsoup 改为输出到 xhtml (xml)。

org.jsoup.nodes.Document doc = Jsoup.parse(html);
document.outputSettings().syntax( Document.OutputSettings.Syntax.xml);
doc.select("a").unwrap();
String fixedTags = doc.html();

见Is it possible to convert HTML into XHTML with Jsoup 1.8.1?

【讨论】：