使用Jsoup检测HTML格式错误遇问题，求解决方案及替代工具

你的代码问题所在 #

你当前的代码存在两个关键问题，导致无法捕获解析错误：

1. 代码示例1：你创建了开启setTrackErrors的解析器，但调用Jsoup.parse(String)时使用的是默认解析器，而非自定义的那个。默认解析器不跟踪错误，因此getErrors()返回空列表。
2. 代码示例2：一是存在语法错误，document()应为document.parser()；二是htmlParser()创建的解析器默认未开启错误跟踪，必须显式调用setTrackErrors()才会记录错误。

正确的Jsoup用法 #

要让Jsoup跟踪解析错误，必须确保使用开启错误跟踪的自定义解析器处理HTML，以下是两种正确写法：

写法1：直接调用自定义Parser的parse方法 #

Parser parser = Parser.htmlParser().setTrackErrors(10);
// 使用自定义解析器解析目标HTML
Document document = parser.parse("<div><span></div></span>");
List<ParseError> errors = parser.getErrors();

写法2：将自定义Parser传入Jsoup.parse重载方法 #

Parser parser = Parser.htmlParser().setTrackErrors(10);
Document document = Jsoup.parse("<div>&invalid;</div>", "", parser);
List<ParseError> errors = document.parser().getErrors();

Jsoup的局限性 #

需要明确：Jsoup的核心定位是容错式HTML解析器，它会自动修复绝大多数常见的HTML语法错误（比如缺失闭合标签、标签嵌套混乱），只有遇到严重到无法自动修复的错误时，才会将其记录到ParseError列表中。例如：

• 无效的HTML实体（如&invalid;）
• 非法的标签格式（如<div><-div>）
• 完全无法识别的语法结构

像你测试的<div>/div>这种情况，Jsoup会把/div>当成普通文本处理，不会判定为错误，因此不会被捕获。如果你的需求是严格验证HTML是否完全符合语法规范，Jsoup并不适合——它的设计目标是「尽可能解析任何HTML」，而非「严格校验格式」。

替代工具推荐 #

如果需要严格检测HTML格式合规性，推荐以下工具：

• HTML Tidy：老牌HTML验证与修复工具，Java可通过jtidy库集成，能输出详细的错误信息、行号和修复建议，支持多版本HTML标准。
• Nu Html Checker：W3C官方推出的HTML验证工具，提供Java API，可严格按照HTML5等标准检测语法错误，输出规范的校验报告。
• TagSoup：专门处理不规范HTML的解析器，可配置开启详细错误日志，适合检测极端不规范的HTML内容。

内容的提问来源于stack exchange，提问作者Juan Rojas