xslt - 强制 HTML Tidy 输出 XML(而不是 XHTML)，或者强制 XSLTproc 解析 XHTML 文件

Question

我有大量 HTML 文件需要用 XSLT 处理，使用 XML 文件来选择哪些 HTML 文件，以及我们要用它们做什么。

我试过:

1. 使用 HTML Tidy 转换 HTML -> XHTML/XML
2. 在 XSLT 中使用文档(文件名)来读取特定的 XHTML/XML 文件
3. ...使用标准节点集命令访问例如“html/正文/*”

这行不通，因为:

1. 似乎 XSLT(已尝试:libXSLT/xsltproc ... 和 Saxon)无法将 XHTML 文档作为外部文件处理(它看到 xhtml DOCTYPE，并拒绝将其作为节点进行解析)。

很好(我想)...XHTML 就是 XML，我只需要将它通过 HTML Tidy 并说:

“output-xml 是 ... output-html 否 ... output-xhtml 否”

...但是如果您尝试这样做，HTML Tidy 会忽略您，并强制使用 html :(。如果输入以 XML 开始，它似乎被硬编码为仅输出 XML 文件。

关于如何做到的任何想法:

1. 强制 HTML Tidy 服从命令行参数，并设置我要求的文档类型
2. 强制 XSLTproc 将 xhtml DOCTYPE 解析为 xml
3. ...其他一些可行的巧妙方法？

注意:这必须在 OS X 上运行 - 它是 iOS 应用程序构建过程的一部分。这应该不是一个大问题，但是例如任何仅限 Windows 的工具都不可用。我想使用标准的开源跨平台工具(如 tidy、libxslt 等)来实现这一点

Answer 1

我终于发现了为什么 XSLTproc/Saxon 拒绝解析使用 DOCTYPE html 传入的文件:

The DOCTYPE of the external document alters how they interpret the xmlns (namespace) directive. Tidy was declaring (correctly) "xmlns=...the xhtml: namespace" - so all my node-names were ... I don't know: non-existent? ... inside my XSLT. XSLT was just ignoring them, as if they didn't exist - it needed me to provide a compatible mapping to the same namespace

...奇怪的是，如果 DOCTYPE 是 xml，那么他们会很高兴地忽略 xmlns 命令 - 或者他们允许我使用非限定名称引用节点。这让我误以为他们直截了本地忽略了 xhtml DOCTYPE 版本中的节点集。

所以，“解决方案”是这样的:

1. 修改您的 XSLT 样式表以同时导入“xhtml”命名空间 - 注意:这是必需的，以便您可以引用外部文件中的节点
2. 在每个节点(以及每个属性，我想？)上使用“xhtml”前缀编写所有 XSL 匹配/选择/模板规则
3. 让 Tidy 输出它想要的任何东西:没关系，只要你有命名空间支持，它就会工作

示例代码:

1. 您的样式表来自于:

   <xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
   

   ...为此:

   <xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform" xmlns:xhtml="http://www.w3.org/1999/xhtml">
   

2. 您的选择/匹配/文档导入来自于此:

   <xsl:copy-of select="document('html-files/file1.htm')/html/body"/>
   

   ...为此:

   <xsl:copy-of select="document('html-files/file1.htm')/xhtml:html/xhtml:body"/>
   

注意:明确一点:如果您忽略命名空间，那么 XSLT 似乎可以处理未 DOCTYPED 的文件，即使它们中有命名空间。不要犯我犯的错误，认为你的 XSLT 是正确的，只是因为它看起来是 :)