Java 将xml字符串传输到org.w3c.dom.Document时是否忽略org.xml.sax.SAXParseExceptions？

我有很多html页面（我指的是它的源代码），在java中表示为java.Util.List字符串。我需要将其转换为Java中的文档对象（来自包org.w3c.dom）

我使用DocumentBuilderFactory和Document这样做：

public static org.w3c.dom.Document inputStream2Document(InputStream inputStream) throws IOException, SAXException, ParserConfigurationException {
    DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
    dbf.setValidating(false);
    org.w3c.dom.Document parse = dbf.newDocumentBuilder().parse(inputStream);
    return parse;
}   

有些页面的转换方式是正确的，但存在一个问题，即有些其他页面具有错误的写入属性，并且该属性无效（属性不带=“”…因此看起来像

<a href="somepage.html" someattr>

或

---

有没有办法告诉DocumentBuilderFactory，他应该忽略这个异常？我也想将这些页面转换为Document，我不介意它们无效。

XML解析器只能解析格式良好的XML（或者，同样是XHTML）。给出错误的页面格式不正确，即它们不是XML，因此XML解析器根本不适用

但是，如果唯一的问题是这些属性没有值，您可以尝试使用正则表达式对输入文件进行预处理以删除这些属性。

而不是XML解析器。NekoHTML上有一些很好的示例，展示了如何将完整的文档和HTML片段解析为DOM节点

import org.cyberneko.html.parsers.DOMParser;
import org.xml.sax.InputSource;
import org.w3c.dom.Document;
import java.io.StringReader;

DOMParser parser = new DOMParser();
InputSource in = new InputSource(new StringReader(theHtmlString));
parser.parse(in);
Document doc = parser.getDocument();

你知道有没有其他方法可以将格式不好的以字符串表示的XHTMl页面转换为Document对象？我为Apache Nutch编写了爬行插件，所以我事先不知道这些页面的结构…所以正则表达式很难应用于所有可能的情况。爬行器不应该尝试将HTML解析为XML。你呢仅对纯文本感兴趣（在浏览器中可见的文本）在这种情况下，您可以使用正则表达式剥离所有标签。嗯，我对这些页面的所有内容感兴趣…我有NodeWalker并在元素和属性中搜索。我将尝试一个NekoHTML，正如下面所写的，我们将看看它是否有帮助。非常感谢您的帮助，我尝试了NekoHTML，它现在正在工作…jTidy是我的se康德选项我想试试。祝你愉快！谢谢你的建议，我会试试的。
Nested exception: org.xml.sax.SAXParseException; lineNumber: 109; columnNumber: 32; The string "--" is not permitted within comments.

import org.cyberneko.html.parsers.DOMParser;
import org.xml.sax.InputSource;
import org.w3c.dom.Document;
import java.io.StringReader;

DOMParser parser = new DOMParser();
InputSource in = new InputSource(new StringReader(theHtmlString));
parser.parse(in);
Document doc = parser.getDocument();