将html转成xhtml，解决HTML转XML不符合格式的问题

将html转成xhtml
HTML指的是超文本标记语言 (Hyper Text Markup Language)，html不强制要求每个标记都是关闭的，比如img，你可以写成[外链图片转存失败(img-oQ5OgJzg-1562220416236)(https://mp.csdn.net/xxx/yyy.jpg)]。换行符br，可以写成
。

但有时，html需要转成其他文档（如doc、pdf）时，需要html是标准的、闭合的html，也就是可扩展的超文本标记语言（XHTML）。这时，需要将html转换为XHTML。

这里介绍两种html转换xhtml的方法。

一、使用JTidy

JTidy是一个html检查/格式化输出/Dom解析工具。

官网：http://jtidy.sourceforge.net/index.html

1、首先你需要下载JTidy，

下载地址：http://mvnrepository.com/artifact/net.sf.jtidy/jtidy/r938

也可以使用基于maven开发，maven依赖：

1
2
3
4
5
6

net.sf.jtidy jtidy r938 2、代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
public class HtmlToXHtmlJtidy {

public static String html2xhtml(String html) {
    ByteArrayInputStream stream = new ByteArrayInputStream(html.getBytes());

    ByteArrayOutputStream tidyOutStream = new ByteArrayOutputStream();
    // 实例化Tidy对象
    Tidy tidy = new Tidy();
    // 设置输入
    tidy.setInputEncoding("utf-8");
    // 如果是true 不输出注释，警告和错误信息
    tidy.setQuiet(true);
    // 设置输出
    tidy.setOutputEncoding("utf-8");
    // 不显示警告信息
    tidy.setShowWarnings(false);
    // 缩进适当的标签内容。
    tidy.setIndentContent(true);
    // 内容缩进
    tidy.setSmartIndent(true);
    tidy.setIndentAttributes(false);

// // 只输出body内部的内容
// tidy.setPrintBodyOnly(true);
// 多长换行
tidy.setWraplen(1024);
// 输出为xhtml
tidy.setXHTML(true);
// 去掉没用的标签
tidy.setMakeClean(true);
// 清洗word2000的内容
tidy.setWord2000(true);
// 设置错误输出信息
tidy.setErrout(new PrintWriter(System.out));
tidy.parse(stream, tidyOutStream);
return tidyOutStream.toString();
}

public static void main(String[] args) throws Exception {
    File file = new File("E:\\mywork\\sample\\html2xhtml\\html2xhtml.html");
    FileInputStream input = new FileInputStream(file);
    int size = input.available();
    byte[] buff = new byte[size];
    input.read(buff);
    input.close();
    String html = new String(buff, "utf-8");
    System.out.println("============html===================");
    System.out.println(html);
    String xhtml = HtmlToXHtmlJtidy.html2xhtml(html);
    System.out.println("============xhtml===================");
    System.out.println(xhtml);
}

}
3、测试

测试一下效果。

转换前html

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

html转xhtml测试

[外链图片转存失败(img-SoCtjc0d-1562220416237)(https://mp.csdn.net/img/sg2.jpg)]

测试如何将html转换成xhtml

其中，黄色背景的都是不标准的标记。

执行后结果：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

<title>html转xhtml测试</title>

html转xhtml测试

[外链图片转存失败(img-bq4Z5Uyg-1562220416237)(https://mp.csdn.net/img/sg2.jpg)]

<p>测试如何将html转换成xhtml</p>

其中，三处出错的地方都纠正过来。

二、使用Jsoup

下面再让我们看下一种对应方法。就是使用Jsoup。

jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。官网：https://jsoup.org/

1、下载Jsoup。

下载地址

http://mvnrepository.com/artifact/org.jsoup/jsoup/1.10.2

也可以使用基于maven开发，maven依赖：

1
2
3
4
5
6

org.jsoup jsoup 1.10.2 2、代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
public class HtmlToXHtmlJsoup {

public static String html2xhtml(String html) {
     
    Document doc = Jsoup.parse(html);
    doc.outputSettings().syntax(Document.OutputSettings.Syntax.xml).escapeMode(Entities.EscapeMode.xhtml);
    
    return doc.html();
}

public static void main(String[] args) throws Exception {
    File file = new File("E:\\mywork\\sample\\html2xhtml\\html2xhtml.html");
    FileInputStream input = new FileInputStream(file);
    int size = input.available();
    byte[] buff = new byte[size];
    input.read(buff);
    input.close();
    String html = new String(buff, "utf-8");
    System.out.println("============html===================");
    System.out.println(html);
    String xhtml = HtmlToXHtmlJsoup.html2xhtml(html);
    System.out.println("============xhtml===================");
    System.out.println(xhtml);
}

}
3、测试

转换前同上。

转换后：

1
2
3
4
5
6
7
8
9
10
11
12
13
14

html转xhtml测试

[外链图片转存失败(img-FhffTpNV-1562220416237)(https://mp.csdn.net/img/sg2.jpg)]

测试如何将html转换成xhtml