Java中是否有一个验证HTML的解析器实现？

Question

我需要在Java中解析HTML 4。理想情况下，我希望它是SAX兼容的实现。

我知道有很多Java的HTML解析器，但是它们似乎都进行了“整理”。换句话说，它们会纠正格式不正确的HTML。我不想要这样。

我的要求是：

1. 不整理。
2. 如果输入文档是无效的HTML，则解析应该失败。
3. 文档应该可以针对HTML DTD进行验证。
4. 解析器可以生成SAX2事件。

是否有符合这些要求的库？

- johnstok

---

如果解析器不整理，它就无法创建 DOM 树；有效的 HTML 文档可能不是有效的 XML 文档（例如，考虑所有那些没有相应闭合标签的 <p> 标签）。 - jdigital

它可以像<p/> XML元素一样触发SAX事件，对吗？ - johnstok

它怎么知道关闭标签丢失了呢？ - jdigital

Answer 1

我认为 Jericho HTML解析器 至少可以满足你的一个核心要求（“如果输入文档是无效的HTML，则解析应该失败。”），因为它至少会告诉你是否存在不匹配的标签或其他有害的HTML缺陷，并且你可以根据这些信息选择是否失败。

尝试在这个Jericho格式演示中输入无效的HTML，并注意页面底部的“解析器日志”：

http://jerichohtmlparser.appspot.com/samples/FormatSource.jsp

所以，是的，这个程序正在整理标签，但至少它会告诉你 - 你可以通过在源代码中设置 net.htmlparser.jericho.Logger（例如 WriterLogger 或其他你自己创建的更具体的 Logger）来获取这些信息，然后根据日志输出的错误进行处理。以下是一个小例子：

    Source source=new Source("<a>I forgot to close my link!");
    source.setLogger(myListeningLogger);

    source.getSourceFormatter().writeTo(new NullWriter());
    // myListeningLogger has now had all the HTML flaws written to it

在上面的例子中，使用字符串 'StartTag at (r1,c1,p0) missing required end tag' 调用了记录器的 info() 方法，该字符串相对易于解析，您始终可以决定拒绝记录任何比调试更糟糕的消息的 HTML - 实际上，Jericho 将几乎所有错误记录为 'info' 级别，只有一些错误记录为 'warn' 级别（您可能会想创建一个小分支，将严重性调整为您关心的内容）。 Jericho 可在 Maven 中央库中获得，这总是一个好迹象。

http://mvnrepository.com/artifact/net.htmlparser.jericho/jericho-html

祝你好运！

- Roberto Tyley

Answer 2

你可以在这里找到一些HTML解析器HTML Parsers。我记不太清了，但我想TagSoup会解析文件而不进行更正...

- adrian.tarau

---

TagSoup是一个符合SAX规范的Java解析器，它不会解析良好格式或有效的XML文件，而是解析在实际应用中找到的HTML文件...很遗憾无法解析。 - johnstok

它确保结构良好的结果：标签将被嵌套得当，默认属性将出现在适当位置等等。 - adrian.tarau

如果它能够填充默认属性，这意味着它解析了DTD...但不清楚如果文档未经验证是否会失败。 - adrian.tarau

另外还要看一下javax.swing.text.html.parser.Parser，它似乎可以进行DTD验证。protected void endTag(boolean omitted) { handleText(stack.tag);if (omitted && !stack.elem.omitEnd()) { error("end.missing", stack.elem.getName()); } else if (!stack.terminate()) { error("end.unexpected", stack.elem.getName()); }} - adrian.tarau

Answer 3

你可能想要查看http://lobobrowser.org/cobra.jsp。他们有一个纯Java实现的网络浏览器（Lobo）。他们将解析器组件（Cobra）单独提取出来供使用。我不确定它是否符合你对“无整理”要求的需求，但值得一看。当我在探索纯Java网络浏览器时，我偶然发现了它。

- monceaux

Answer 4

你可以尝试继承javax.swing.text.html.parser.Parser并实现handleXXX()方法。看起来它不会尝试修复XML。更多信息请参见API。

- David Rabinowitz