Jsoup解析表格内嵌套p标签的HTML时p标签错误闭合问题

• 核心原因是HTML 规范本身禁止 p 标签嵌套。根据 W3C 标准，<p> 标签的内容模型仅允许包含文本、行内元素等短语内容，不允许嵌套另一个块级的 <p> 标签。所有遵循HTML解析规范的解析器，遇到非法嵌套的 p 标签时，都会自动修正结构，而非原样保留错误写法。
• Jsoup 默认使用遵循WHATWG HTML解析规范的解析器，处理逻辑如下：
  1. 解析到外层 <p> 开标签后，遇到内层的 <p> 开标签时，会自动隐式闭合尚未结束的外层 <p>，因此最开始的外层 <p> 会变成一个空的开-闭标签对
  2. 后续遇到最外层对应的 </p> 闭合标签时，由于没有匹配的未闭合 <p> 开标签，解析器会自动将其转换为一个新的空 <p> 标签
  3. 最终表现为td内多出两个无内容的空p标签，和实际解析结果吻合。

根据实际业务场景选择对应处理方式：

• 可修改待解析原始HTML的场景
  直接从源头修正非法结构，去掉 p 标签的嵌套写法，把需要分层的内容用 <div> 等合规标签包裹，或者拆分为同级的 p 标签，从根源上避免触发解析器的自动修正逻辑。
• 必须保留原始HTML非法嵌套结构的场景
  解析时放弃默认的HTML解析器，改用严格匹配标签开闭关系的XML解析器，对应调用代码为：
  Jsoup.parse(原始HTML字符串, "", Parser.xmlParser())
  这种解析模式不会自动按照HTML规则做标签修正，会原样保留 p 标签嵌套的原始结构。
• 仅需清理多余空p标签的场景
  解析完成后，直接遍历文档删除所有无实际文本内容的空 p 标签，对应选择器写法为：
  doc.select("p:matchesOwn(^\\s*$)").remove()
  执行后即可得到无空p标签的干净输出。

内容的提问来源于stack exchange，提问作者César Castro Aroche