java - jsoup 到 w3c 文档 : INVALID_CHARACTER_ERR

Question

我的用例:通过 jsoup 获取 html 页面并返回一个 w3c-DOM，以便通过 XML 转换进行进一步处理:

...
org.jsoup.nodes.Document document = connection.get();
org.w3c.dom.Document dom = new W3CDom().fromJsoup(document);
...

适用于大多数文档，但对于某些文档，它会抛出 INVALID_CHARACTER_ERR 而不会说明位置。

找到错误似乎非常困难。我更改了代码，首先将 url 导入一个字符串，然后通过正则表达式检查错误字符。但这对不良属性(例如，没有值(value))等没有帮助。

我目前的解决方案是通过在 jsoup 文档(head、img、script ...)中删除元素来最大限度地降低风险。

有没有更优雅的解决方案？

Answer 1

尝试将文档的 outputSettings 设置为“XML”:

document
  .outputSettings()
  .syntax(OutputSettings.Syntax.xml);

document 
    .outputSettings()
    .charset("UTF-8");

这应确保生成的 XML 有效。