清理混合类型<script>标记</script>

Question

我正在使用cyberneko和xerces清理HTML。 但是，一些$＃@@！@@网站仍然使用BOTH

<script>...</script> and <script.../> 

所以会发生什么：给定

<script..../> <div> Some Text </div> <script> scripting stuff </script> , 

neko将以上所有行解析为脚本，所以我得到了

<script..../> &lt div &gt Some Text &lt/div &gt &lt script &gt scripting stuff </script> , 

然后我失去了所有的内容：（

有什么建议吗？

Answer 1

使用＆lt; script /＆gt;在HTML中是非法的。它在xml中是合法的。我不知道为什么有些人仍然使用xml方式来编写html，但这是错误的，它打破了大多数解析器（如SO ..） - 设计。

另一件需要注意的事情 - 如果你使用xml解析器/ dom4j解析器或依赖它的任何其他东西，请确保你没有通过xml解析器传递你的字符串，然后是一个html解析器 - 这将破坏一切。 / p>