您現(xiàn)在的位置：Java基礎(chǔ)知識(shí)：Jtidy解析腳本時(shí)候出現(xiàn)問題
最近在做網(wǎng)頁結(jié)構(gòu)化信息抽取，用到了JTidy和xslt.當(dāng)在處理一些包含很多腳本的頁面時(shí)候，出現(xiàn)了，JTidy去臟失敗，提示標(biāo)題中的異常。
最后發(fā)現(xiàn)，問題出現(xiàn)在解析腳本的時(shí)候因?yàn)橐恍┠_本里面不規(guī)范的內(nèi)容，導(dǎo)致不能判斷結(jié)束造成了上面的異常出現(xiàn)。
解決方法：
最初的時(shí)候想通過修改JTidy的源碼來解決這個(gè)問題，但是后來做著發(fā)現(xiàn)可行性不高，一個(gè)是修改這個(gè)源碼可能會(huì)帶來其它的問題。另外一個(gè)，還要花長時(shí)間去看源碼。
所以，最終還是選擇了采用預(yù)處理的方式來進(jìn)行處理刪除掉腳本。
代碼
[java]
public static String getFilterBody（String strBody） {
// htmlparser 解析
Parser parser = Parser.createParser（strBody, "utf-8"）；
NodeList list;
String reValue = strBody;
try {
list = parser.parse（null）；
visitNodeList（list）；
reValue = list.toHtml（）；
} catch （ParserException e1） {
}
return reValue;
}
// 遞歸過濾
private static void visitNodeList（NodeList list） {
for （int i = 0; i < list.size（）； i++） {
Node node = list.elementAt（i）；
if （node instanceof Tag） {
if （node instanceof ScriptTag） {
list.remove（i）；
continue;
}// 這里可以增加刪除的Tag
if （node instanceof StyleTag） {
list.remove（i）；
continue;
}// 這里可以增加刪除的Tag
}
NodeList children = node.getChildren（）；
if （children != null && children.size（） > 0）
visitNodeList（children）；
}
}
但是在刪除腳本的時(shí)候一樣遇到了相同的問題，就是在解析腳本的時(shí)候出現(xiàn)了錯(cuò)亂，把一些腳本中的標(biāo)簽識(shí)別為正常標(biāo)簽。如：<script>里面的 '<span></span>'里面的'</'就會(huì)被識(shí)別為腳本的結(jié)束，導(dǎo)致腳本獲取不全，刪除不全最后在網(wǎng)上找到了解決的辦法通過下面兩個(gè)參數(shù)的設(shè)置來解析了html對(duì)腳本的處理問題
[java]
org.htmlparser.scanners.ScriptScanner.STRICT = false;
org.htmlparser.lexer.Lexer.STRICT_REMARKS = false;
只要配置其中之一就可以了，下面是這兩個(gè)參數(shù)的一個(gè)官方說明
org.htmlparser.scanners.ScriptScanner.STRICT = false;
[java]
/**
* Strict parsing of CDATA flag.
* If this flag is set true, the parsing of script is performed without
* regard to quotes. This means that erroneous script such as:
* <pre>
* document.write（"</script>"）；
* </pre>
* will be parsed in strict accordance with appendix
* <a href="/TR/html4/appendix/notes.html#notes-specifying-data" mce_href="/TR/html4/appendix/notes.html#notes-specifying-data">
* B.3.2 Specifying non-HTML data</a> of the
* <a href="/TR/html4/" mce_href="/TR/html4/">HTML 4.01 Specification</a> and
* hence will be split into two or more nodes. Correct javascript would
* escape the ETAGO:
* <pre>
* document.write（"<//script>"）；
* </pre>
* If true, CDATA parsing will stop at the first ETAGO （"</"） no matter
* whether it is quoted or not. If false, balanced quotes （either single or
* double） will shield an ETAGO. Beacuse of the possibility of quotes within
* single or multiline comments, these are also parsed. In most cases,
* users prefer non-strict handling since there is so much broken script
* out in the wild.
*/
org.htmlparser.lexer.Lexer.STRICT_REMARKS = false;
[java]
/**
* Process remarks strictly flag.
* If <code>true</code>, remarks are not terminated by ---$gt;
* or --!$gt;, i.e. more than two dashes. If <code>false</code>,
* a more lax （and closer to typical browser handling） remark parsing
* is used.
* Default <code>true</code>.
*/
在默認(rèn)情況下，htmlparser解析是按嚴(yán)格的html標(biāo)準(zhǔn)解析，所以當(dāng)碰到不標(biāo)準(zhǔn)的標(biāo)簽有可能出錯(cuò)，
當(dāng)把以上這兩個(gè)參數(shù)改變以后，htmlparser解析不再嚴(yán)格，能應(yīng)對(duì)所有可能出現(xiàn)的情況。
