从去除收盘</img>标签

我解析与Jsoup.parse一段HTML的预防Jsoup.parse。从去除收盘</img>标签

其他一切是伟大的，但我应该在PDF转换后解析这个网站。

出于某种原因，Jsoup.parse删除结束标记和PDF解析器抛出约缺少的结束img标签例外。

Can't load the XML resource (using TRaX transformer). org.xml.sax.SAXParseException; 
lineNumber: 115; columnNumber: 4; The element 
type "img" must be terminated by the matching end-tag "</img>"

如何防止Jsoup.parse删除关闭img标签？

例如这条线：

<img src="C:\path\to\image\image.png"></img>

变为：

<img src="C:\path\to\image\image.png">

同样的，发生：

<img src="C:\path\to\image\image.png"/>

下面的代码：

private void createPdf(File file, String content) throws IOException, DocumentException { 
     OutputStream os = new FileOutputStream(file); 
      content = tidyUpHTML(content); 
      ITextRenderer renderer = new ITextRenderer(); 
      renderer.setDocumentFromString(content); 
      renderer.layout(); 
      renderer.createPDF(os); 
     os.close(); 
    }

这里的tidyUpHTML-方法被调用上述方法：

private String tidyUpHTML(String html) { 
    org.jsoup.nodes.Document doc = Jsoup.parse(html); 
    doc.select("a").unwrap(); 
    String fixedTags = doc.toString().replace("<br>", "<br />"); 
    fixedTags = fixedTags.replace("<hr>", "<hr />"); 
    fixedTags = fixedTags.replaceAll("&nbsp;","&#160;"); 
    return fixedTags; 
}

来源

2016-12-08 Steve Waters

能否请您发表您的Jsoup解析的代码，这样我们就可以明白为什么它删除结束标记。 – SachinSarawgi

@SachinSarawgi，已更新 –

你的PDF转换期待XHTML（因为它预计截止img标签）。设置Jsoup代替输出到xhtml（xml）。

org.jsoup.nodes.Document doc = Jsoup.parse(html); 
document.outputSettings().syntax(Document.OutputSettings.Syntax.xml); 
doc.select("a").unwrap(); 
String fixedTags = doc.html();

见Is it possible to convert HTML into XHTML with Jsoup 1.8.1?

来源

2016-12-08 13:38:01

从去除收盘</img>标签

回答

相关问题