私はhttp://tidy.sourceforge.net/を使ってHTMLをXHTMLに変換しています。このXHTMLをXSLTで後で変換したいと思います。HTML PHPコードで整頓した後、XHTMLは無効なXMLです。
残念ながら私はtechcrunchサイト(テスト用)を解析しようとしました。 techcrunchサイトにPHPコードが含まれていて、HTML tidyがこのPHPコードでは有効でないXMLファイルを生成します。
簡素化された入力ファイルdirty.htm
:
<html>
<head>
</head>
<body>
<a href="http://www.crunchbase.com/company/google" onclick="<?php tc_set_omniture_attr("post_widget_crunchbase") ?>Google</a>
</body>
</html>
とHTML Tidyのcleaned.htm
と私の出力ファイル:
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN"
"http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<title></title>
</head>
<body>
<p><a href="http://www.crunchbase.com/company/google" onclick="<?php tc_set_omniture_attr(">Google</a></p>
</body>
</html>
主な問題は、XML属性として許可されていませんonclick
で<
です! XSLTProcはこの有効でないXMLを開くことを拒否します。
マイHTML Tidyのオプションtidyconfig.cfg
:
output-xhtml: 1
indent: 0
tidy-mark: 0
wrap: 0
alt-text:
doctype: strict
force-output: 1
numeric-entities: 1
clean: 1
bare: 1
word-2000: 1
drop-proprietary-attributes: 1
enclose-text: 1
logical-emphasis: 1
HTML Tidyのコマンドライン:
tidy -quiet -config tidyconfig.cfg -output cleaned.htm dirty.htm
私は、任意のHTML Tidyのオプションを逃しましたか?すべての整頓オプション:http://tidy.sourceforge.net/docs/quickref.html
よろしくお願いいたします。 Tidy HTMLは私がしたいことをしません。 – therealmarv