使用 NekoHTML（或 JTidy）+ XOM 转义评论答案

【问题标题】：Comments getting escaped with NekoHTML (or JTidy) + XOM使用 NekoHTML（或 JTidy）+ XOM 转义评论
【发布时间】：2011-11-16 19:28:35
【问题描述】：

我正在使用 NekoHTML 清理一些 HTML，然后将其提供给 XOM 以获取对象模型。在此过程中的某个地方，cmets 正在逃脱。

这是一个输入 HTML 的相关示例（为清楚起见，大部分 <head> 被删减）：

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html lang="en">
<head>
    <script type="text/JavaScript">
        <!-- // Hide the JS
        startTimeout(6000000, "/");
        // -->
    </script>

代码如下：

// XOMSafeSAXParser is the Neko SAXParser extended to allow 
// XOM to set the (unnecessary in this case) features
// external-general-entities and external-parameter-entities
XMLReader reader = new XOMSafeSAXParser();

Builder xomBuilder = new Builder(reader);
Reader input = ...; // file, resource, etc.
Document doc = xomBuilder.build(input);

Serializer s = new Serializer(System.out, "UTF-8");
s.setIndent(4);
s.setMaxLength(200);
s.write(doc);
s.flush();

这是相应的输出：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<HTML lang="en">
    <HEAD>
        <SCRIPT type="text/JavaScript"> &lt;!-- // Hide the JS startTimeout(6000000, "/"); // --&gt; </SCRIPT>
    </HEAD>

当我从 XOM 文档中提取 script 元素时，它看起来已经被破坏了（SCRIPT 元素有一个 Text 节点作为子节点，而不是我期望的 Texts 和 Comments 的序列），所以我不认为是 Serializer 出了问题。

现在，我不希望保留换行符，事实上我还是要扔掉脚本标签，但是还有其他地方我希望保留 cmets 或至少希望保留能够在没有嵌入转义 cmets 的情况下获取文本。

有什么想法吗？

更新： NekoHTML 正在破坏一些标签，所以我切换到 JTidy，我也遇到了同样的问题。有趣的是，这只是标题中的脚本标签的问题。其他cmets通过罚款。还有一些奇怪的额外 JavaScript cmets 我怀疑（希望并祈祷）是 JTidy 的错。

    <script type="text/JavaScript"> // &lt;!-- // Hide the JS startTimeout(6000000, "/"); // --&gt; // </script>

看起来 JTidy 所做的是将<script> 内容转换为 CDATA；当我将 JTidy 的原始输出发送到标准输出时，我得到了这个：

<script type="text/JavaScript">
//<![CDATA[
        <!-- // Hide the JS
        startTimeout(6000000, "/");
        // -->
    //]]>
</script>

【问题讨论】：

标签： jtidy xom cyberneko

【解决方案1】：

好的。我似乎至少在 JTidy 案例中找到了explanation：

基本问题是浏览器脚本通常会包含特殊的 XML 字符：'&'、'<'、']]>' 和 '<' + '/' + Letter。如果这些被转义以使 XML 处理器高兴，它将破坏脚本。商定的解决方案是将源放在 CDATA 中部分。现在对和标签都已完成此操作。至今，超好的。但是有一些未解决的问题和可能的意外结果。 ...脚本源通常嵌入在 HTML 中 cmets 以防止不支持的旧浏览器解析 Javascript。

HTML cmets 通常是可以的；只是<script> 标记中的HTML cmets 会被破坏，因为它们已变成（并在其中转义）CDATA。 XOM，反过来，merges CDATA into Text。

从技术上讲，我认为这意味着 JTidy 已损坏，但对于我的目的来说已经足够了，因为我根本不需要 <script> 标记。

不过，如果有人有解决方案让我摆脱我的投入，我仍然想听听。

【讨论】：