java - 清理混合类型的 <script> 标签

Question

我正在使用 cyberneko 和 xerces 清理 HTML。然而，一些 $#@@!@@ 网站仍然同时使用这两者

<script>...</script> and <script.../> 

那么会发生什么:给定

<script..../> <div> Some Text </div> <script> scripting stuff </script> , 

neko 将以上所有行解析为脚本，所以我得到了

<script..../> &lt div &gt Some Text &lt/div &gt &lt script &gt scripting stuff </script> , 

然后我丢失了所有内部内容:(

有什么建议吗？

Answer 1

在 html 中使用 <script/> 是非法的。它在 xml 中是合法的。我不知道为什么有些人仍然使用 xml 方式来编写 html，但这是错误的，并且它破坏了大多数解析器(如 SO..) - 设计使然。

另一件需要注意的事情 - 如果您使用 xml 解析器/dom4j 解析器或任何其他依赖于它的东西，请确保您没有通过 xml 解析器然后通过 html 解析器传递您的字符串 - 这会破坏一切。