问题描述
我的任务是将很不规范的html标记转换为符合xml规范的字母小写的标记串，比如将：<FONT face= "宋体" color = #6600ff size="5" >转换为：<font face="宋体" color="#6600ff" size="5">还比如将：<A HREF='http://setlist.jhtml?method=list' TARGET=_blank>转换为：<a href='http://setlist.jhtml?method=list' target="_blank">【注意上述第一个例子中的空格、引号变化；以及第二个例子中的大小写变化、"?"、"="号】在解决第一个例子时，我采用以下方法很好的解决了问题，正确而简单的对font属性的值添加了引号，但是在第二个例子中，出现了正则表达式的特殊字符“?”，还有我用于分组判断的“=”号(method=list)，于是转换不能成功，不知道有没有更好的办法，想听以下大家的意见，谢谢！下面是我的代码，请耐心的看完，谢谢！/** * 将html中所有<...>里面的内容全部转换为小写<br> * @param htmlContent * @return */public static String formatToLowerCase(String htmlContent){if (htmlContent != null){if (htmlContent.indexOf("<") != -1){// 获取<...>Pattern p = Pattern.compile("<[^<>]+>");Matcher m = p.matcher(htmlContent);HashMap tmpMap = new HashMap();while (m.find()){// 利用map主键不能重复的特性防止重复判断很长的文本内容tmpMap.put(m.group(), "");}if (!tmpMap.isEmpty()){Iterator keys = tmpMap.keySet().iterator();while (keys.hasNext()){String key = (String) keys.next();String newKey = key.toLowerCase();htmlContent = htmlContent.replaceAll(key, newKey); // 转换为小写}}}}else{htmlContent = "";}return htmlContent;}/** * 给Html的属性添加上引号<br> * @param newKey * @return */public static String addQuotMarks(String newKey){// 以"="号分组String[] equalMarkArray = newKey.split("=");if (equalMarkArray != null && equalMarkArray.length > 1){StringBuffer keyBuf = new StringBuffer();for (int i = 0; i < equalMarkArray.length; i++){int nDot = -1;String wholeStrng = equalMarkArray[i].trim();if (i == 0)// 第一组{keyBuf.append(wholeStrng + "=");}if (i != 0 && i != (equalMarkArray.length - 1))// 不是第一组，也不是最后一组{nDot = wholeStrng.lastIndexOf(" ");wholeStrng = addQuotMarks(wholeStrng, nDot);// 调用静态方法keyBuf.append(wholeStrng + "=");}else if (i == (equalMarkArray.length - 1))// 最后一组{nDot = wholeStrng.lastIndexOf(">");wholeStrng = addQuotMarks(wholeStrng, nDot);// 调用静态方法keyBuf.append(wholeStrng);}}newKey = keyBuf.toString();}return newKey;}/** * 私有静态方法，被addQuotMarks(String)调用<br> * 判断如果html属性的值不被单引号也不被双引号包含，则添加上双引号 * @param wholeStr * @param nDot * @return */private static String addQuotMarks(String wholeStrng, int nDot){String prefixStr = wholeStrng.substring(0, nDot).trim();if (!prefixStr.substring(0, 1).equals(""") && !prefixStr.substring(0, 1).equals("'")){prefixStr = """ + prefixStr + """;}return prefixStr + wholeStrng.substring(nDot);}
解决方案
哥们，问对地方了，这玩艺可不简单，从头编码，不是一两个类就能搞定的，哪一个xml的解析框架不是很多代码啊。对于非标准的html解析，我认为jericho是非常好的，trust me。download:http://sourceforge.net/project/showfiles.php?group_id=101067home:http://jerichohtml.sourceforge.net/doc/index.html给你个例子：import au.id.jericho.lib.html.*;import java.util.*;import java.io.*;import java.net.*;public class FormatSource {public static void main(String[] args) throws Exception {String sourceUrlString="data/test.html";if (args.length==0) System.err.println("Using default argument of ""+sourceUrlString+'"');elsesourceUrlString=args[0];if (sourceUrlString.indexOf(':')==-1) sourceUrlString="file:"+sourceUrlString;PHPTagTypes.register();MasonTagTypes.register();Source source=new Source(new URL(sourceUrlString));source.getSourceFormatter().setIndentString(" ").setTidyTags(true).writeTo(new OutputStreamWriter(System.out));}}