java - tagoup 破坏了良好的 xml

Question

清理 xml 文件我得到了意想不到的结果:tagoup 过早地孤立了一些关闭父标记的属性。它还会小写父标签的名称。

在标签汤之前:

<Objects>
    <Object>
      <ObjectID>240</ObjectID>
      [...]
      <Status>Not Ready</Status>
      <Title>Some description which includes word/word, 22,000</Title>
      <Url>http://example.com/withquerystring?id=240&amp;other=1&amp;url=http%3A%2F%2Fredirected.example.com%2F40</Url>
      [...]
      <Owner>
        <Name>JOHN MARSHALL, MR</Name>
      </Owner>
    </Object>
    <Object>
      <ObjectID>122</ObjectID>
      [...]

标签汤之后:

<Objects>
    <object>
      <ObjectID>240</ObjectID>
      [...]
      <Status>Not Ready</Status>
    </object>
    <Title>Some description which includes word/word, 22,000</Title>
    <Url>http://example.com/withquerystring?id=240&amp;other=1&amp;url=http%3A%2F%2Fredirected.example.com%2F40</Url>
    [...]
    <Owner>
        <Name>JOHN MARSHALL, MR</Name>
    </Owner>
    <object>
      <ObjectID>122</ObjectID>
      [...]

我在一个使用此库的 java 项目中:

import org.ccil.cowan.tagsoup.Parser;
import org.ccil.cowan.tagsoup.XMLWriter;
import org.xml.sax.InputSource;
import org.xml.sax.SAXException;
import org.xml.sax.XMLReader;

我使用的是 Java 6。

有什么线索吗？
有效 xml 文件的所需输出将是相同的文件(可能只是更改详细信息，而不是结构)，不是吗？

Answer 1

Tagsoup 旨在作为 HTML 解析器并清理不良的 HTML。对于由 HTML 定义的标签名称，tagoup 知道哪些元素可以包含在哪些其他元素中，并将尝试纠正任何错误嵌套的元素。另请记住，与 XML 不同，在 HTML 中，标记名称不区分大小写。

在这种情况下，它似乎已经决定它知道 object 和 title 在 HTML 中的含义(分别是某种嵌入的对象，以及该对象的标题)页)，并且它知道 title 不允许出现在 object 内。但 ObjectID 和 Status 不是已知的 HTML 元素名称，因此它会假定无罪，而不会打扰它们。