用HTMLParser解析网页出现的小问题

用Heritrix抓取网站后，我用HTMLParser对抓取的网页进行解析。不可否认，HTMLParser的确是一个功能强大且使用方便的解析器。但我在使用中也发现了一些小问题，比如像这样：

写道

各有关二级学院、部门 ：<?xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" />
根据台科〔2009〕70号文件《关于2010年台州市科学技术重大贡献奖推荐工作的通知》（详见http://www.tzinfo.gov.cn/news.php?newsi=&id=2447&q=），2010年台州市科学技术重大贡献奖申报工作现已开始。台州市科学技术重大贡献奖实行限额推荐，我校的推荐名额为1名。要申报的老师请根据评奖条件，填写《台州市科学技术重大贡献奖推荐书》，连同附件于2010年3月15日前送交科研处，逾期恕不受理。申报材料包括推荐书（一式17份，电子文档一份）、附件2份。成果中涉及重大经济效益的需提供财税证明,请将推荐书正文一份和附件材料报送时装订成册。

 在解析文本信息的过程中，把XML的代码也当做文本信息抓取了出来。

 

有什么办法可以把它去掉呢？