将 HTML 文件转换成 XML

在 Java 专家 Michael Geisler 为 Builder 澳大利亚写的第一篇文章中，他向读者展示了如何使用 JTidy 将 HTML 文件转换成 XML。 

有关 Java 的最重要的事情是有很多扩展标准库可以作为标准平台的一部分，而且在那些库中有对 XML 提供了非常多的支持。然而对于某些特定的需要，在标准库中可能没有直接的支持。 

其实你有两个选择： 

1.完全由自己来构建一些东西。这一般很痛苦，而且很费时间。 

2.去“社区”看看是否已经有人遇到了同样的问题（这种情况非常有可能发生），看他是否乐意与你分享他的成果。 
对于这个情况，SourceForge 上有一个非常有用的小项目，叫做 JTidy。JTidy 的Web 站点位于 http://sourceforge.net/projects/jtidy/。 

JTidy 提供 HTML 语法检查和 HTML 的“pretty printing（漂亮打印）”，但是对于你来说，它还允许你将一个 HTML 文件作为输入，然后将其转换成为 XML。JTidy 读取输入文件，然后如果发现有任何不匹配或遗漏的闭合标记，将纠正这些标记，最后输出一个格式良好的 XML 文档。 

从下面的示例代码中可以看到，JTidy 的用法相当简单。简单地将 JTidy 实例设置为输出 XML，提供一个输入 URL，输出文件和错误文件，然后启动转换过程就可以了。 

import java.net.URL;
import java.io.*;
import org.w3c.tidy.Tidy;

public class TestHTML2XML {
	private String url;
	private String outFileName;
	private String errOutFileName;

	public TestHTML2XML(String url, String outFileName, String errOutFileName) {
		this.url = url;
		this.outFileName = outFileName;
		this.errOutFileName = errOutFileName;
	}

	public void convert() {
		URL u;
		BufferedInputStream in;
		FileOutputStream out;

		Tidy tidy = new Tidy();

		// Tell Tidy to convert HTML to XML
		tidy.setXmlOut(true);

		try {
			// Set file for error messages
			tidy.setErrout(new PrintWriter(new FileWriter(errOutFileName), true));
			u = new URL(url);

			// Create input and output streams
			in = new BufferedInputStream(u.openStream());
			out = new FileOutputStream(outFileName);

			// Convert files
			tidy.parse(in, out);

			// Clean up
			in.close();
			out.close();

		} catch (IOException e) {
			System.out.println(this.toString() + e.toString());
		}
	}

	public static void main(String[] args) {
		/*
		 * Parameters are: URL of HTML file Filename of output file Filename of
		 * error file
		 */
		TestHTML2XML t = new TestHTML2XML("http://www.baidu.com",
				"E:\\test.xml", "E:\\error.xml");
		t.convert();
	}
}