有没有办法从 HTML 中清除无效属性？

Question

我需要使用 javax.xml.parsers.DocumentBuilder 从 HTML 字符串创建 org.w3c.dom.Document 对象。这里有可能在该 HTML 字符串中包含无效属性及其值。那么有什么方法或 Java 工具可以只清除 HTML 中的无效属性吗？尝试了 JSOUP 清理，因为它的清理基于白名单标签和属性。但我需要只清理无效属性（根据 HTML5 标准）。

public static void main(String[] args) throws NotebookException {

        String text = "<div dir=\"ltr\"><link href=\"http://fonts.googleapis.com/css?family=Open+Sans:light:bold\" rel=\"stylesheet\" \\=\"\">";

        try(ByteArrayInputStream bais=new ByteArrayInputStream(text.getBytes()))
        {       
            DocumentBuilderFactory builderFactory = DocumentBuilderFactory.newInstance();
            DocumentBuilder builder = builderFactory.newDocumentBuilder();
            Document document = builder.parse(new InputSource(bais));
        }
        catch (Exception e) 
        {
            e.printStackTrace();  
        }
    }

在上面的代码中，带有 LINK 标记的 html 字符串具有无效的属性 '\' 及其值 '""'（空双引号）。需要清理这个解析为 Document 对象的 html。

Answer 1

你可以使用

String.replaceAll("[unwanted chars]","");

请参阅replaceAll tutorial page 了解更多详细信息，尤其是转义字符。

这些东西只适用于预定义的符号，为了使您的系统智能并不断更新自己遇到的每个新的无效符号，您需要编写一个方法来将这些新符号存储在适当的数据结构中，同时处理相关例外。

Answer 2

除非您知道需要处理哪些数据，否则您无法处理任何数据。这适用于您的任务，就像适用于任何其他任务一样。如果你想处理脏数据，你需要指定你期望遇到什么样的脏数据以及你打算如何处理它。这将决定采用的方法。

您需要做的那种处理可能可以通过现有的库来完成，例如 TagSoup 或 validator.nu。或者它可能是可以使用正则表达式来完成的。没有任务说明，我们无法知道。

考虑一个例子。假设输入文件包含"< < < < > > > >" 你希望你的程序用它做什么？

...稍后

从您的评论来看，借用 XML 术语，听起来好像 HTML 是“格式正确但无效”。这意味着您可以考虑使用 XSLT 解决方案：

<xsl:apply-templates select="saxon:parse-html('input.bad.html')"/>

...

<xsl:template match="a/@href | */@class | */@id | .... (:all valid attributes:)">
   <xsl:copy-of select="."/>
</xsl:template>

<xsl:template match="@* (: attributes not in the above list :)">
  <!-- no action (drop the attribute) -->
</xsl:template>

saxon:parse-html() 是 Saxon XSLT 扩展。对于其他处理器，可能还有其他方法可以将 HTML 解析为 XML DOM，并将 XML DOM 用作处理器的输入。