HTML指的是超文本標記語言 (Hyper Text Markup Language)，html不強制要求每個標記都是關閉的，比如img，你可以寫成<img src="xxx/yyy.jpg" >。換行符br，可以寫成<br>。
但有時，html需要轉成其他文檔（如doc、pdf）時，需要html是標准的、閉合的html，也就是可擴展的超文本標記語言（XHTML）。這時，需要將html轉換為XHTML。
這里介紹兩種html轉換xhtml的方法。
一、使用JTidy
JTidy是一個html檢查/格式化輸出/Dom解析工具。
官網：http://jtidy.sourceforge.net/index.html
1、首先你需要下載JTidy，
下載地址：http://mvnrepository.com/artifact/net.sf.jtidy/jtidy/r938
也可以使用基於maven開發，maven依賴：
<!-- https://mvnrepository.com/artifact/net.sf.jtidy/jtidy -->
<dependency>
<groupId>net.sf.jtidy</groupId>
<artifactId>jtidy</artifactId>
<version>r938</version>
</dependency>
2、代碼
public class HtmlToXHtmlJtidy {
public static String html2xhtml(String html) {
ByteArrayInputStream stream = new ByteArrayInputStream(html.getBytes());
ByteArrayOutputStream tidyOutStream = new ByteArrayOutputStream();
// 實例化Tidy對象
Tidy tidy = new Tidy();
// 設置輸入
tidy.setInputEncoding("utf-8");
// 如果是true 不輸出注釋，警告和錯誤信息
tidy.setQuiet(true);
// 設置輸出
tidy.setOutputEncoding("utf-8");
// 不顯示警告信息
tidy.setShowWarnings(false);
// 縮進適當的標簽內容。
tidy.setIndentContent(true);
// 內容縮進
tidy.setSmartIndent(true);
tidy.setIndentAttributes(false);
// // 只輸出body內部的內容
// tidy.setPrintBodyOnly(true);
// 多長換行
tidy.setWraplen(1024);
// 輸出為xhtml
tidy.setXHTML(true);
// 去掉沒用的標簽
tidy.setMakeClean(true);
// 清洗word2000的內容
tidy.setWord2000(true);
// 設置錯誤輸出信息
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、測試
測試一下效果。
轉換前html
<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8" />
<title>html轉xhtml測試 </title>
<script type="text/javascript" src="jquery-3.2.1.js"></script>
</head>
<body>
<h1>html轉xhtml測試</h1>
<br>
<img src="img/sg2.jpg" style="max-width:200px;">
<p>測試如何將html轉換成xhtml
</body>
</html>
其中，黃色背景的都是不標准的標記。
執行后結果：
<!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>
<meta name="generator" content="HTML Tidy for Java (vers. 2009-12-01), see jtidy.sourceforge.net" />
<meta charset="utf-8" />
<title>html轉xhtml測試</title>
<script type="text/javascript" src="jquery-3.2.1.js">
//<![CDATA[
//]]>
</script>
</head>
<body>
<h1>html轉xhtml測試</h1>
<br />
<img src="img/sg2.jpg" style="max-width:200px;" />
<p>測試如何將html轉換成xhtml</p>
</body>
</html>
其中，三處出錯的地方都糾正過來。
二、使用Jsoup
下面再讓我們看下一種對應方法。就是使用Jsoup。
jsoup 是一款Java 的HTML解析器，可直接解析某個URL地址、HTML文本內容。它提供了一套非常省力的API，可通過DOM，CSS以及類似於jQuery的操作方法來取出和操作數據。官網：https://jsoup.org/
1、下載Jsoup。
下載地址
http://mvnrepository.com/artifact/org.jsoup/jsoup/1.10.2
也可以使用基於maven開發，maven依賴：
<!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.10.2</version>
</dependency>
2、代碼
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、測試
轉換前同上。
轉換后：
<!DOCTYPE html> <html> <head> <meta charset="utf-8" /> <title>html轉xhtml測試 </title> <script type="text/javascript" src="jquery-3.2.1.js"></script> </head> <body> <h1>html轉xhtml測試</h1> <br /> <img src="img/sg2.jpg" style="max-width:200px;" /> <p>測試如何將html轉換成xhtml </p> </body> </html>