DIV CSS 佈局教程網

您现在的位置: DIV+CSS佈局教程網 >> 網頁腳本 >  >> XML學習教程 >> XML詳解
用 JTidy 把 HTML 整理成標準 XML
編輯:XML詳解     

需要從網頁萃取資訊時,最惱人的往往不是解析本身,而是那些「瀏覽器看得懂、解析器看不懂」的 HTML——沒閉合的標籤、放錯位置的嵌套、缺引號的屬性。理想的做法是先把它整理成標準的 XML,後續就能安心用 DOM 技術處理。

我試過 JTidy、NekoHTML、HtmlParser、Jericho 幾套現成方案,最後還是回到 JTidy。原因很單純:它除了解析,還自帶語法檢查器與標籤補償器,能主動修復各種凌亂的 HTML,讓輸出符合 XHTML 標準,而不是遇到錯誤就放棄。

關於版本現況

值得留意的是,當時的 r8 還只是 snapshot(nightly build),而前一版 r7 已經是四年前的事了,專案推進得相當緩慢。參與者太少、或者功能已被認為足夠成熟,大概都是原因。選用這類維護不活潑的套件時,心裡該有這個底。

r8 的改進:編碼處理

r8 相對 r7 調整了不少參數設定方式,其中最有感的是字元編碼的處理。現在用 setInputEncoding() 與 setOutputEncoding() 分別指定輸入與輸出的編碼,且接受任何合法的 Java 編碼名稱,比舊版只能從固定選項挑要靈活太多。

整體解析品質不錯。有些邊角仍需對輸出檔做少許手工調整,或再補一段程式處理,但已算不上大問題。

常用參數一覽

  • setInputEncoding(String) / setOutputEncoding(String):輸入與輸出編碼。
  • setXHTML(boolean):輸出 XHTML 格式。
  • setXmlOut(boolean):輸出 XML。
  • setXmlPi(boolean):檔頭輸出 XML 宣告。
  • setXmlSpace(boolean):加入 XML 命名空間屬性。
  • setUpperCaseTags(boolean) / setUpperCaseAttrs(boolean):標籤或屬性改為大寫。
  • setSpaces(int):每行縮進的空格數。
  • setWraplen(int):超過多少字元換行。
  • setBreakBeforeBR(boolean):在 <br /> 之前插入空行。
  • setHideComments(boolean):輸出中不保留註解。
  • setTrimEmptyElements(boolean):不輸出空元素。
  • setForceOutput(boolean):即使結果有誤也強制輸出。
  • setOnlyErrors(boolean):只輸出錯誤清單。
  • setErrfile(String):指定錯誤輸出檔。
  • setPrintBodyOnly(boolean):只輸出 body 部分的內容。
  • setFixBackslash(boolean):把 URL 中的 \ 換成 /。
  • setAltText(String):為 img 加上預設 alt 值,對無障礙有幫助。
  • setLogicalEmphasis(boolean):用 em 取代 i、strong 取代 b,語意更合適。
  • setRepeatedAttributes(int):重複屬性的處理方式。
  • setConfigurationFromFile(String) / setConfigurationFromProps(Properties):從檔案或 Properties 批次載入設定。
  • setMessageListener(TidyMessageListener):掛上訊息監聽器,把警告與錯誤導向自己的日誌。
  • setCharEncoding(int):已廢棄,改用字串版本的 setInputEncoding / setOutputEncoding。

使用方式

定義輸入輸出串流,呼叫 tidy.parse() 就完成了:

BufferedInputStream in;
FileOutputStream out;

Tidy tidy = new Tidy();
tidy.setConfigurationFromFile(configFileName);   // 設定檔寫入上述參數

try {
    in  = new BufferedInputStream(new FileInputStream(srcFileName));
    out = new FileOutputStream(outFileName);
    tidy.parse(in, out);
} catch (IOException e) {
    System.out.println(e);
}

實務上的建議

把常用的參數組合存成一份設定檔,用 setConfigurationFromFile() 一次載入,比在程式碼裡逐行呼叫清楚得多,也方便不同專案共用同一套整理規則。

另外別忘了掛 setMessageListener()。JTidy 在修復 HTML 的過程中會產生大量警告,這些訊息往往正好指出原網頁的結構問題所在;把它導進自己的日誌系統,後續要調整解析規則時就有依據可循。

最後提醒一句:整理成 XML 只是把資料變得可解析,不代表資料本身可信。從外部網頁萃取的內容若要顯示或寫入資料庫,仍應經過適當的轉義與驗證。

XML學習教程| jQuery入門知識| AJAX入門| Dreamweaver教程| Fireworks入門知識| SEO技巧| SEO優化集錦|
Copyright © DIV+CSS佈局教程網 All Rights Reserved