★★★★★HTML到XML的转换（JTidy或NekoHTML）★★★★★

Question

package com.sourceware.sms.awardinvoice.util;import org.w3c.tidy.*;
import java.io.*;public class TidyUtil {  private String targetFileName; //转化目标的文件
  private String errFileName; //错误输出文件
  private String configFileName; //配置文件  public TidyUtil(String targetFileName,
                  String errFileName, String configFileName) {
    this.targetFileName = targetFileName;
    this.errFileName = errFileName;
    this.configFileName = configFileName;
  }  public void changeXML(InputStream in) { //参数为输入流
    try {
      OutputStream out = new FileOutputStream(targetFileName);
      Tidy tidy = new Tidy();
      //设置配置文件
      tidy.setConfigurationFromFile(configFileName);
      //设置错误文件
      tidy.setErrout(new PrintWriter(new FileWriter(errFileName)));
      //解析
      tidy.parse(in, out);
    }
    catch (Exception e) {
      e.printStackTrace();
      System.out.println(e.getMessage());
    }
  }
}

Answer 1

这个是配置文件
indent: auto
indent-spaces: 2
wrap: 72
up: yes
output-xml: yes
input-xml: no
show-warnings: yes
numeric-entities: yes
quote-s: yes
quote-nbsp: yes
quote-ampersand: no
break-before-br: no
uppercase-tags: no
uppercase-attributes: no
char-encoding: latin1   //这个参数处理编码new-inline-tags: cfif, cfelse, math, mroot,
mrow, mi, mn, mo, msqrt, mfrac, msubsup, munderover,
munder, mover, mmultiscripts, msup, msub, mtext,
mprescripts, mtable, mtr, mtd, mth
new-blocklevel-tags: cfoutput, cfquery
new-empty-tags: cfelse

Answer 2

java.lang.NoSuchMethodError: org.apache.xerces.parsers.DOMParser.<init>这种错误通常都是版本不合适造成的，用别的版本试一下。

Answer 3

yubo1209(稻草人)  
                你做过吗？这篇文章我看过，配置文件怎么写？格式是什么？怎么用到它呢？

Answer 4

用google搜索一下!我上次刚遇到这个问题!

Answer 5

private String configFileName; //配置文件
  
这句在程序里就指了配置文件  你用xxx.properties 后缀就可以了  然后char-encoding: latin1   //这个参数处理编码   查查这个 有几个参数的  能显示中文 我做过因为我是内部处理XML，不用给客户看的，所以没有这个参数，乱码也没问题，读出来时，进行一下转化就行了不过我做个测试，加了这个参数后，能显示中文，但我忘了 具体参数值是什么，你查查，在多试试了

Answer 6

在申明一下，这可是我自己的代码，当然用了JTIDY.JAR了，我以前贴过，好象就是你吧  呵呵 不过上次没贴配置文件，SORRY HOHO ：）

Answer 7

我不知道是不是我比别人霉运一些，为什么我的不行呢？
  看看我的代码：
public class TidyXHTML implements Runnable {
    private String srcFileName;    private String outFileName;    private String errOutFileName;    private String configFileName;    public TidyXHTML(String srcFileName, String outFileName,
            String errOutFileName, String confName) {
        this.srcFileName = srcFileName;
        this.outFileName = outFileName;
        this.errOutFileName = errOutFileName;
        this.configFileName = confName;
    }
    public TidyXHTML(String srcFileName, String outFileName) {
        this.srcFileName = srcFileName;
        this.outFileName = outFileName;
    }
    public void run() {
        BufferedInputStream in;
        FileOutputStream out;
        Tidy tidy = new Tidy();
        tidy.setXmlOut(true); 
        tidy.setConfigurationFromFile(configFileName);
        try {
            tidy.setErrout(new PrintWriter(new FileWriter(errOutFileName),true));
            in = new BufferedInputStream(new FileInputStream(srcFileName));
            out = new FileOutputStream(outFileName);
            tidy.parse(in, out);
            in.close();
            out.close();
        } catch (IOException e) {
            System.out.println(this.toString() + e.toString());
        }
    }    public static void main(String[] args) {
        TidyXHTML t1 = new TidyXHTML("forge.htm","TestError2.xml","err.txt","config.properties");
        Thread th1 = new Thread(t1);
        th1.start();
        System.out.println("Successful!!!");
    }
}
config.properties:
  indent: auto
indent-spaces: 2
wrap: 72
up: yes
output-xml: yes
input-xml: no
show-warnings: yes
numeric-entities: yes
quote-s: yes
quote-nbsp: yes
quote-ampersand: no
break-before-br: no
uppercase-tags: no
uppercase-attributes: no
char-encoding: raw
new-inline-tags: cfif, cfelse, math, mroot, 
mrow, mi, mn, mo, msqrt, mfrac, msubsup, munderover,
munder, mover, mmultiscripts, msup, msub, mtext,
mprescripts, mtable, mtr, mtd, mth
new-blocklevel-tags: cfoutput, cfquery
new-empty-tags: cfelse
自我感觉是代码是没有问题的，不知道什么原因，xml文件是乱码（英文网页）。
yubo1209(稻草人)，你做过这个是吗？能联系一下吗？我的qq：18966186  msn:[email protected]

Answer 8

下面是我做的：
package com.yuch.html;/**
 * Convert a html file into a well-formed XHtml file.
 * Parse the XHtml to a DOM tree.
 *
 *  JTidy是HTML Tidy(一个HTML语法检查器和优雅的打印编排工具）的Java移植，
 *  除了本身具有的清除HTML文件难看或错误内容的功能外，还提供了一个DOM接口，
 *  程序员可以将JTidy当作一个处理HTML文件的DOM解析器来使用。
 *
 * @version $version 1.0
 * @author yuch
 */import java.io.BufferedInputStream;
import java.io.BufferedOutputStream;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.InputStream;
import java.io.OutputStream;
import java.io.FileWriter;
import java.io.PrintWriter;
import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.io.File;import org.w3c.dom.Document;
import org.w3c.dom.Attr;
import org.w3c.dom.Node;
import org.w3c.dom.NodeList;
import org.w3c.dom.NamedNodeMap;import org.w3c.tidy.Tidy;
public class HtmlDOMTree
{
protected InputStream in = null;      //source inputstream
protected OutputStream out = null;    //target outputstream
protected String err = null;          //error logs
protected String configFile = null;   //configure of displaying layout protected Document document = null;   //DOM interface protected Tidy tidy = new Tidy(); /**
 * Constructor with empty parameter
 *
 */
public HtmlDOMTree() {
} /**
 * Constructor with a parameter
 *
 * @param srcStr a String Object
 */
public HtmlDOMTree( InputStream in ) {
this.in = in;
} /**
 * Constructor with two parameter.
 *
 * @param in a InputStream Object.
 * @param out a OutputStream Object.
 */
public HtmlDOMTree( InputStream in,OutputStream out ) {
this.in = in;
this.out = out;
} /**
 * Constructor with four parameter.
 *
 * @param in a InputStream Object.
 * @param out a OutputStream Object.
 * @param err a FileWriter Object.
 * @param configFile a String Object to specify a configuration file.
 */
public HtmlDOMTree( InputStream in,OutputStream out,
String err,String configFile ) {
this.in = in;
this.out = out;
this.err = err;
this.configFile = configFile;
} /**
 *
 *
 */
public Document parse() {
document = parse( in,out,err,configFile ); return document;
} /**
 * Parse html files to DOM Tree.
 *
 * @param inFile.
 *
 * @return Document.
 */
public Document parse( File inFile ) {
document = parse( inFile,null,null,null ); return document;
} /**
 * Parse html files to DOM Tree.
 *
 * @param inFile.
 * @param outFile.
 *
 * @return Document.
 */
public Document parse( File inFile,File outFile ) {
document = parse( inFile,outFile,null,null ); return document;
} /**
 * Parse html files to DOM Tree.
 *
 * @param inFile.
 * @param outFile.
 * @param errFile.
 * @param configFile.
 *
 * @return Document.
 */
public Document parse( File inFile, File outFile,
   String errFile,String configFile ) {
try{
in = new BufferedInputStream( new FileInputStream( inFile ) );
out = new BufferedOutputStream( new FileOutputStream( outFile ) );
}
catch( Exception e ) {
} document = parse( in,out,errFile,configFile );
return document;
} /**
 * Parse html files to DOM Tree.
 *
 * @param in.
 * @param out.
 * @param errFile.
 * @param configFile.
 *
 * @return Document.
 */
public Document parse( InputStream in,OutputStream out,
   String errFile,String configFile ) {
if( configFile != null ) {
tidy.setConfigurationFromFile( configFile );
}
try
{
if ( errFile != null )
{
tidy.setErrout( new PrintWriter( new FileWriter(errFile),true ) );
}
document = tidy.parseDOM( in,out );
}
catch ( IOException e )
{
} return document;
} /**
 * Traverse DOM Tree
 *
 */
public void traverse( Node cNode ) {
String eleName = null;
switch( cNode.getNodeType() ) {
case Node.DOCUMENT_NODE:
System.out.println( "Element " + cNode.getNodeName() ); processChildren( cNode.getChildNodes() );
break;
case Node.ELEMENT_NODE:
eleName = cNode.getNodeName();
System.out.println("Element " + eleName);
NamedNodeMap attributeMap = cNode.getAttributes();
int numAttrs = attributeMap.getLength();
for(int i = 0; i < attributeMap.getLength(); i++ ) {
Attr attribute = (Attr)attributeMap.item(i);
String attrName = attribute.getNodeName();
String attrValue = attribute.getNodeValue();
System.out.println( attrName + " = " + attrValue );
} processChildren(cNode.getChildNodes());
break;
case Node.CDATA_SECTION_NODE:
case Node.TEXT_NODE:
System.out.println( "Text " + cNode.getNodeValue() );
if( !cNode.getNodeValue().trim().equals("") ) {
System.out.println( "eleName " + eleName );
System.out.println( "Text " + cNode.getNodeValue() );
}
break;
}
}
private void processChildren( NodeList nList ){
if( nList.getLength()!=0 ){
for( int i = 0; i < nList.getLength(); i++ ) {
traverse( nList.item(i) );
}
}
} /**
 * Dispose resource
 *
 */
public void finalize() {
try
{
if( in != null ) {
in.close();
in = null;
}
if( out != null ) {
out.close();
out = null;
}
}
catch ( IOException e )
{
}
} /**
 * Solve the chinese displaying problem by pre-processing using the method below.
 *
 */
public static String convertToGB( String str ) {
try {
byte bytes[] = str.getBytes( "ISO-8859-1" );
return new String( bytes, "gb2312" );
}
catch( Exception exception ) {
return str;
}
} /**
 * Main method to test.
 *
 * Run the command line: java com.yuch.html.HtmlDOMTree <src_file> <new_file>
 */
public static void main( String[] args ) {
HtmlDOMTree dom = new HtmlDOMTree();
File inFile = new File( "notice.html" );
File outFile = new File( "out.html" );
System.out.println( inFile.getAbsoluteFile() );
System.out.println( "Start to convert..." );
// Document document = 
// dom.parse( inFile,outFile,"resource\\error\\error.txt","resource\\config\\config.txt" );
Document document = dom.parse( inFile,outFile );
System.out.println( "\nEnd to convert." );
//Element root = document.getDocumentElement();
//dom.traverse( document ); try
{
BufferedReader in = new BufferedReader( new FileReader(outFile) );
String line;
while( (line = in.readLine()) != null ) {
System.out.println( line );
}
in.close();
}
catch ( IOException e )
{
System.out.println( "读取Html失败" );
}
}
}

Answer 9

To    yubo1209(稻草人) 我用你的参数的时候出错了，是char-encoding 出错

Answer 10

To        ;tomcatjava(小鱼儿) 转化为html时的确可以，但是转化为xml时和我的出现的问题是一样的，难道它不能转化为xml吗？ 还是先说说我做这个转化的目的吧，我是想把html转化为pdf文件，通过先将html用jTidy转化为xml,然后将xml通过iText转化为pdf文件，不知道除了这个方法还有什么好的办法，希望大家可以帮帮忙，分不够的话，可以再加。

Answer 11

麻烦哪位传个jtidy.jar 给我。谢谢。
[email protected]

Answer 12

我也想知道在哪里可以找到jtidy.jar

Answer 13

ft一下，直接找个代理去w3c上下载了jtidy的源码等整个包
哈哈，谁还要，我给谁发