Java 正确使用JTidy净化HTML

我试图使用JTidy（JTidy-r938.jar）来清理输入HTML字符串，但在正确设置默认设置时似乎遇到了问题。通常像“helloworld”这样的字符串在整理后会变成“helloworld”。我想展示一下我在这里所做的事情，任何指点都非常感谢：

假设

rawHtml

是包含输入（真实世界）HTML的字符串。这就是我正在做的：

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

        ByteArrayOutputStream baos = new ByteArrayOutputStream();
        PrintStream ps = new PrintStream(baos);

        tidy.parse(new StringReader(rawHtml), ps);
        return baos.toString("UTF8");   

首先，上面的代码有什么根本性的错误吗？我似乎得到了奇怪的结果

例如，考虑以下输入：

？？私有字符串解析说明

输出为：

私弦
语法描述

所以

“public String parseDescription”变为“publicString parseDescription”

---

提前谢谢

下面是我们如何从Ant中调用JTidy。您可以从中推断API调用：

<tidy destdir="${build.dir.result}">
  <fileset dir="${src}" includes="**/*.htm"/>
  <parameter name="tidy-mark" value="false"/>
  <parameter name="output-xml" value="no"/>
  <parameter name="numeric-entities" value="yes"/>
  <parameter name="indent-spaces" value="2"/>
  <parameter name="indent-attributes" value="no"/>
  <parameter name="markup" value="yes"/>
  <parameter name="wrap" value="2000"/>
  <parameter name="uppercase-tags" value="no"/>
  <parameter name="uppercase-attributes" value="no"/>
  <parameter name="quiet" value="no"/>
  <parameter name="clean" value="yes"/>
  <parameter name="show-warnings" value="yes"/>
  <parameter name="break-before-br" value="yes"/>
  <parameter name="hide-comments" value="yes"/>
  <parameter name="char-encoding" value="latin1"/>
  <parameter name="output-html" value="yes"/>
</tidy>

---

看看JTidy是如何配置的：

StringWriter writer = new StringWriter();
tidy.getConfiguration().printConfigOptions(writer, true);
System.out.println(writer.toString());

也许这样就能弄清楚问题的原因了

---

什么奇怪？实际输出和预期输出的小示例。。。也许吧？

好吧，这似乎是jtiy中的一个bug。有关导致问题的确切文件，请参阅此处：

---

谢谢大家的帮助

我还注意到jTidy会将

转换为byte

a0

，以空格形式打印（

Node.getNodeValue（）

），但当您尝试转换为UTF8字符串时，它会打印出来

？

，因为它不是有效的UTF字符！是的，但不是HTML，显示为

？

。