有没有办法从HTML清除无效属性？

Question

我需要使用javax.xml.parsers.DocumentBuilder从HTML字符串创建org.w3c.dom.Document对象的地方。这里有在该HTML字符串中包含无效属性及其值的可能性。那么，有什么方法或Java util可以清除HTML中的无效属性吗？尝试进行JSOUP清理，因为它基于列入白名单的标签和属性进行清理。但是我只需要清除无效的属性（按照HTML5标准）。

public static void main(String[] args) throws NotebookException {

        String text = "<div dir=\"ltr\"><link href=\"http://fonts.googleapis.com/css?family=Open+Sans:light:bold\" rel=\"stylesheet\" \\=\"\">";

        try(ByteArrayInputStream bais=new ByteArrayInputStream(text.getBytes()))
        {       
            DocumentBuilderFactory builderFactory = DocumentBuilderFactory.newInstance();
            DocumentBuilder builder = builderFactory.newDocumentBuilder();
            Document document = builder.parse(new InputSource(bais));
        }
        catch (Exception e) 
        {
            e.printStackTrace();  
        }
    }

在上面的代码中，带有LINK标记的html字符串具有无效的属性'\'及其值'“”'（空双引号）。需要清除解析为Document对象的html。

Answer 1

您可以使用

String.replaceAll("[unwanted chars]","");

参考replaceAll tutorial page以获取更多详细信息，尤其是转义字符。

这些东西仅在预定义的符号上起作用，为了使您的系统智能并在遇到每个新的无效符号时不断进行更新，您需要编写一种方法，以便在处理相关符号时将此类新符号存储在适当的数据结构中例外。