作者:jini 来源:java 公开原始码报
申明:未经作者同意，谢绝转载
Java 公开原始码报 (Java Opensource Newspaper) 现在已经有简体中文版, 如果习惯阅读简体中文的读者, 可以连结到 sentom.net 去阅读 ! 其他人如果需要转载到其他地方或翻译成为其他语言, 请来信告知 . 基本上只要不是作为营利用途, 我都会允以授权. 因为我希望, 能够將 Java Opensource 推广到更多的人群之中.
HTML tidy, 这是我最近才知道的一个东西, 因为刚好要把一些旧有的网页, 转换成为 XHTML, 而 World Wide Web Consortium (W3C) 提出了一个 Opensource -- HTML tidy , 就是希望能够自动判断及修复容易写错的 HTML tags , 无论是 tag 的顺序, 还是 tag 是否有结尾等等这种疏失. 接着可以通过标准的转译方式, 将合法的 HTML 转换成为 XML 格式的文件.
不过, 大家看到的 tidy.sf.net 中, 是采用 C 语言开发的, 当然也有我们熟悉的 java 版本, 那就是本周主题 - jTidy.
增加 license 说明, 相关细节请参考 license 解说 [by Tempo]
ps:如果要赞助本电子报发行, 请与我们联络->Johnny
本周主题 -- jTidy
SECTION 01 tidy 是什么
tidy 的中译, 就是"整齐的", 而我们对于 HTML 这种纯粹 tag 组合而成的语言, 常常会犯下一些失误, 例如 <b> Hello <i> world , </b> Tidy </i> 这样子 的顺序错误. 或者是通过网页编辑器或转换器编排十分凌乱, 根本无法阅读 !!
因此, 当我们在开发程序, 尤其是网页程序设计时候, 更需要有这种工具来辅助, 先有好的排版方式, 开发程序就能够相对简单清楚, 更能够提升自己的效率. 而且 tidy 可以帮忙检查是否有 tag 的缺少或位置错误, 可以让我们马上除错, 不会在那边计算有几个 <table> <tr> <td> </table> </tr> </td> 浪费自己的时间 ~~
下载 jTidy: jtidy-04aug2000r7-dev.zip
这个版本非常的旧, 內部存在着部分问题, 所以需要打些patch , PATCH 下载
SECTION 02 XHTML 是什么
XHTML 就是以 XML 技术为基础的 HTML, 标准的格式是
· 他的根元素是 <html>
· 默认的 namespace 是 "http://www.w3.org/1999/xhtml"
· 在根元素之前要有 DOCTYPE 的申明.
· 所有的 tag 都是小写.
· 一定要有 <html>, <head>, <title> , 及<body> 这几个 Struture tags
· 属性值需要用 "" 双引号括起來
· 单一元素, 如 <br> 应该修改为 <br/>
简单来说, XHTML 的出现, 就是为了取代 HTML, 因为 HTML 难以成为数据交换的格式, 目前正在制定 XHTML 2.0 之中. 以下我列出 XHTML 1.0 的标准范例 :
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/xhtml"> <head> <title>test</title> </head> <body> hello world </body> </html>
SECTION 03 利用 jTidy 将 HTML 转成 XHTML
我们可以通过 jTidy 转换旧有的 HTML 变成 XHTML, 无论将 xhtml 通过 iText 转成 pdf 文件, 还是 cocoon 的 pipeline, 都比残缺不能保证的 HTML 来得可靠, 下面这个范例, 就是将某个 URL 的数据转换成为 XHTML 的代码
// core Java stuff. // author: Chris Raber import java.io.*; import java.text.*; import java.util.*; import java.net.*; // JTidy stuff. import org.w3c.tidy.Tidy; public class TidyPage { private static boolean DEBUG=false; public TidyPage(){ } public void doTidy(String url) { URL u; BufferedInputStream sourceIn; ByteArrayOutputStream tidyOutStream; try{ u = new URL(url); if(DEBUG){ System.out.println("URL protocol:"+u.getProtocol()); System.out.println("URL host:"+u.getHost()); System.out.println("URL path:"+u.getPath()); System.out.println("URL query:"+u.getQuery()); System.out.println("URL file:"+u.getFile()); } Reader reader; sourceIn = new BufferedInputStream(u.openStream()); tidyOutStream = new ByteArrayOutputStream(); Tidy tidy = new Tidy(); tidy.setQuiet(true); tidy.setShowWarnings(false); tidy.setIndentContent(true); tidy.setSmartIndent(true); tidy.setIndentAttributes(false); tidy.setWraplen(1024); // 输出为 XHTML tidy.setXHTML(true); //tidy.setXmlOut(true); tidy.setErrout(new PrintWriter(System.out)); tidy.parse(sourceIn, tidyOutStream); System.out.println(tidyOutStream.toString()); } catch ( Exception ex ) { System.out.println( ex.toString()); ex.printStackTrace(); } } public static void main(String args[]){ if(args.length != 1) System.out.println("Usage TidyPage url"); else{ TidyPage tp = new TidyPage(); tp.doTidy(args[0]); } } } 当我们执行 cmd> java -cp Tidy.jar TidyPage http://xxx.xxx.xxx.xxx/ 时, 他就会显示该网站标准的排版及 XHTML,
SECTION 04 通过 jTidy 转换成为 XML
因为 Tidy.jar 內部包有 dom 及 sax, 以下就是 TestDOM 的 Parser 范例
import java.io.PrintWriter; import java.io.FileInputStream; import java.io.IOException; import org.w3c.dom.Attr; import org.w3c.dom.Document; import org.w3c.dom.NamedNodeMap; import org.w3c.dom.Node; import org.w3c.dom.NodeList; import org.w3c.tidy.Tidy; /** * A sample DOM writer. This sample program illustrates how to * traverse a DOM tree in order to print a document that is parsed. * */ public class TestDOM { protected PrintWriter out; public TestDOM() { out = new PrintWriter(System.out); } /** Prints the specified node, recursively. */ public void print(Node node) { if ( node == null ) { return; } int type = node.getNodeType(); switch ( type ) { case Node.DOCUMENT_NODE: out.println("<?xml version=""1.0"" encoding=""UTF-8""?>"); print(((Document)node).getDocumentElement()); out.flush(); break; case Node.ELEMENT_NODE: out.print('<'); out.print(node.getNodeName()); NamedNodeMap attrs = node.getAttributes(); for ( int i = 0; i < attrs.getLength(); i++ ) { out.print(' '); out.print(attrs.item(i).getNodeName()); out.print("="""); out.print(attrs.item(i).getNodeValue()); out.print('"'); } out.print('>'); out.println(); // HACK NodeList children = node.getChildNodes(); if ( children != null ) { int len = children.getLength(); for ( int i = 0; i < len; i++ ) { print(children.item(i)); } } break; case Node.TEXT_NODE: out.print(node.getNodeValue()); break; } if ( type == Node.ELEMENT_NODE ) { out.print("</"); out.print(node.getNodeName()); out.print('>'); out.println(); // HACK } out.flush(); } public static void main(String args[]) { if ( args.length == 0 ) { System.exit(1); } System.err.println(args[0]); FileInputStream in; Tidy tidy = new Tidy(); TestDOM t = new TestDOM(); try { in = new FileInputStream(args[0]); tidy.setMakeClean(true); tidy.setXmlTags(true); t.print(tidy.parseDOM(in, null)); } catch ( IOException e ) { System.err.println( e.toString() ); } } } 只要执行想要转换的文件, 他将会将该文件输出为 xml 格式, 並且排列整齐.
SECTION 05 结论
其实, jtidy 的执行方法有很多, 可以通过 cmd> java -jar Tidy.jar -help 来查看, 我们可以通过文件的配置来决定输入输出的格式, 有兴趣请查看如何执行 jTidy 的其他命令或配置, 可以直接参考 HTML Tidy How to run Tidy, 只是把 tidy (exe) 转成 java -cp Tidy.jar 就可以了 ! 此外, Eclipse 及 jEdit 都有 jTidy support 的 plugins, 也有 jTidy ant Task , 大家可以下载来使用.
