JTidy为何移除XML中的<video>元素？如何处理含该标签的文档？

使用JTidy处理包含

import org.w3c.dom.Node;
import org.w3c.tidy.Tidy;
import java.io.ByteArrayInputStream;
import java.io.InputStream;
import static java.nio.charset.StandardCharsets.UTF_8;

public class Test {
  public static void main (String[] args) throws Exception {
    // Set up a JTidy instance
    Tidy tidy = new Tidy();
    tidy.setInputEncoding("UTF8");

    // The following make no difference to the output
    // whether they are present or not, or whether the
    // parameters are changed from true to false or vice versa
    tidy.setQuiet(true);
    tidy.setShowWarnings(false);
    tidy.setXHTML(true);
    tidy.setDropEmptyParas(false);
    tidy.setTrimEmptyElements(false);

    // Process XHTML from a string
    String xml = "<div>\n"
               + "  Video goes here:<br/>\n"
               + "  <video width='640' height='480'>\n"
               + "   <source src='foo.mp4' type='video/mp4'/>\n"
               + "  </video>\n"
               + "</div>";

    byte[] bytes = xml.getBytes(UTF_8);
    InputStream in = new ByteArrayInputStream(bytes);
    Node node = tidy.parseDOM(in,null).getDocumentElement();

    // Display the resulting Node as a sanity check
    tidy.pprint(node,System.out);
  }
}

运行后输出结果：

<div>Video goes here:<br />   </div>

尝试过以下操作均无效：

• 设置tidy.setXHTML(false)
• 添加<!DOCTYPE html>声明
• 移除所有tidy.setXXX()配置

仅将

现需解决：

1. 如何解析包含
2. 这是XHTML的问题还是JTidy的问题？
3. 若为JTidy的问题，有哪些替代工具？
4. JTidy是否存在可修改的允许标签表？是否需要添加所有HTML5新标签？

问题根源：JTidy对HTML5标签的支持缺失 #

这是JTidy的问题，和XHTML本身无关——XHTML 1.0确实不包含HTML5的

针对JTidy的临时解决办法：扩展允许的标签表 #

JTidy支持自定义标签规则，你可以手动添加HTML5标签的定义，步骤如下：
在代码中动态为

// 为video标签添加属性与规则
tidy.getConfiguration().addAttribute("video", "width");
tidy.getConfiguration().addAttribute("video", "height");
tidy.getConfiguration().addTag("video", (short) 0, true, true, false, false, false, false, false);
// 为source标签添加规则
tidy.getConfiguration().addTag("source", (short) 0, true, false, false, false, false, false, false);

不过这种方式需要手动添加所有用到的HTML5新标签（如

更彻底的替代方案：换用支持HTML5的解析工具 #

如果不想折腾JTidy，直接换用对HTML5支持更好的工具是更省心的选择，推荐几个常用的：

• jsoup：专门针对HTML解析的Java库，原生支持HTML5，能完美保留
• HtmlUnit：不仅能解析HTML，还模拟浏览器环境，支持JavaScript渲染，适合处理动态页面场景，对HTML5标签支持完善。
• NekoHTML：老牌HTML解析器，支持HTML5，可将HTML转换为XML/DOM结构，适合需要DOM操作的场景。

jsoup解析示例（完美保留

用jsoup替代JTidy的代码示例：

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;

public class TestJsoup {
    public static void main(String[] args) {
        String xml = "<div>\n"
                   + "  Video goes here:<br/>\n"
                   + "  <video width='640' height='480'>\n"
                   + "   <source src='foo.mp4' type='video/mp4'/>\n"
                   + "  </video>\n"
                   + "</div>";
        
        Document doc = Jsoup.parse(xml);
        System.out.println(doc.html());
    }
}

输出结果会完整保留

内容的提问来源于stack exchange，提问作者user1636349