如何使JTIdy文档格式良好？

Question

我在用JTidy诉r938案。我正在使用此代码来尝试清理页面…

final Tidy tidy = new Tidy();
tidy.setQuiet(false);
tidy.setShowWarnings(true);
tidy.setShowErrors(0);
tidy.setMakeClean(true);
Document document = tidy.parseDOM(conn.getInputStream(), null);

但是当我解析这个URL -- http://www.chicagoreader.com/chicago/EventSearch?narrowByDate=This+Week&eventCategory=93922&keywords=&page=1时，事情并没有得到清理。例如，页面上的META标记，如

<META http-equiv="Content-Type" content="text/html; charset=UTF-8">

保持为

<META http-equiv="Content-Type" content="text/html; charset=UTF-8">

而不是有"“标签或显示为"”。我通过将生成的JTidy org.w3c.dom.Document作为字符串输出来确认这一点。

我该怎么做才能让JTidy真正清理页面--也就是让它格式良好？我知道还有其他工具，但这个问题特别与使用JTIdy有关。

Answer 1

如果您想要XML格式，则需要指定几个Tidy标志

private String cleanData(String data) throws UnsupportedEncodingException {
    Tidy tidy = new Tidy();
    tidy.setInputEncoding("UTF-8");
    tidy.setOutputEncoding("UTF-8");
    tidy.setWraplen(Integer.MAX_VALUE);
    tidy.setPrintBodyOnly(true);
    tidy.setXmlOut(true);
    tidy.setSmartIndent(true);
    ByteArrayInputStream inputStream = new ByteArrayInputStream(data.getBytes("UTF-8"));
    ByteArrayOutputStream outputStream = new ByteArrayOutputStream();
    tidy.parseDOM(inputStream, outputStream);
    return outputStream.toString("UTF-8");
}

或者只是想要XHTML表单

Tidy tidy = new Tidy();
tidy.setXHTML(true);

Answer 2

使用tidy.setXmlTags(true)；解析XML而不是HTML

Answer 3

即使发现错误，也要使用Tidy.setForceOutput(true) (风险自负)生成输出。