java - 正确使用JTidy净化HTML

Question

我正在尝试使用 JTidy (jtidy-r938.jar) 来清理输入的 HTML 字符串，但我似乎无法正确设置默认设置。通常，诸如“hello world”之类的字符串在整理后最终会变成“helloworld”。我想展示我在这里做的事情，非常感谢任何指点:

假设rawHtml是包含输入(真实世界)HTML 的字符串。这就是我正在做的:

        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，上面的代码看起来有什么根本性的错误吗？我似乎得到了奇怪的结果。

例如，考虑以下输入:

<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>

输出是:

<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，

“public String parseDescription”变成“publicString parseDescription”

提前致谢!

Answer 1

看看 JTidy 是如何配置的:

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

也许它会弄清楚导致问题的原因。

有什么奇怪的？实际输出和预期输出的小例子……也许？