Jsoup项目中StreamParser处理HTML显式闭合标签的重复解析问题分析

2025-05-21 02:03:41作者：曹令琨Iris

jsoup: the Java HTML parser, built for HTML editing, cleaning, scraping, and XSS safety.

项目地址：https://gitcode.com/gh_mirrors/js/jsoup

问题背景

在Jsoup 1.19.1版本中，开发人员发现当使用StreamParser结合Jsoup.parse()方法处理HTML文档时，如果文档中包含显式闭合标签，会导致某些元素的属性和内容被重复输出。这个问题在流式解析HTML文档时尤为明显，影响了数据处理的准确性。

问题现象

当解析一个包含显式闭合标签的HTML文档时，例如：

<html><head><title>Stream</title></head><body><a href=foo>Link</a></body></html>

使用StreamParser进行流式解析后，输出的元素会出现重复，特别是<a>和<body>标签会被处理两次：

El: <title>; attributes: ; ownText: Stream
El: <head>; attributes: ; ownText: 
El: <a>; attributes:  href="foo"; ownText: Link
El: <body>; attributes: ; ownText: 
El: <a>; attributes:  href="foo"; ownText: Link
El: <body>; attributes: ; ownText: 
El: <html>; attributes: ; ownText: 
El: <#root>; attributes: ; ownText:

问题根源

经过分析，这个问题源于HTML解析器的特殊处理机制：

HTML解析器的栈管理：HTML解析器会保持body和html标签在栈中，即使它们已经被显式闭合。这是为了确保后续内容仍然能够被正确添加到body中。
双重触发机制：当标签显式闭合时，onNodeRemoved事件会被触发一次；当文档解析完成时，所有剩余的节点会从栈中弹出，导致这些标签再次被处理。
与XML解析器的差异：值得注意的是，这个问题只出现在HTML解析器中，XML解析器表现正常，因为它不会保持已闭合标签在栈中。

解决方案

Jsoup开发团队已经修复了这个问题，修复后的版本能够正确处理显式闭合标签，输出符合预期的结果：

El: <title>; attributes: ; ownText: Stream
El: <head>; attributes: ; ownText: 
El: <a>; attributes:  href="foo"; ownText: Link
El: <body>; attributes: ; ownText: 
El: <html>; attributes: ; ownText: 
El: <#root>; attributes: ; ownText:

技术启示

这个问题给我们带来了一些重要的技术启示：

流式解析的特殊性：流式解析与传统的DOM构建解析有着不同的处理机制，需要特别注意节点生命周期管理。
HTML与XML解析差异：HTML解析器为了容错性会做出一些特殊处理，这在设计解析逻辑时需要特别注意。
显式与隐式闭合：在HTML中，显式闭合标签和隐式闭合标签可能会导致不同的解析行为，这在处理流式数据时需要格外小心。

最佳实践建议

基于这个问题的分析，建议开发人员在使用Jsoup的StreamParser时：

明确了解HTML和XML解析器的行为差异
对于需要精确控制解析结果的场景，考虑使用XML解析模式
及时更新到修复后的Jsoup版本
在流式处理中，注意检查元素的唯一性，避免重复处理

这个问题展示了HTML解析器复杂性的一个侧面，也提醒我们在使用高级解析功能时需要深入理解其内部机制。Jsoup团队的快速响应和修复也体现了开源项目的优势所在。

jsoup: the Java HTML parser, built for HTML editing, cleaning, scraping, and XSS safety.

项目地址：https://gitcode.com/gh_mirrors/js/jsoup

登录后查看全文

项目优选

收起

deepin linux kernel

OpenHarmony documentation | OpenHarmony开发者文档

cangjie_compiler

仓颉编译器源码及 cjdb 调试工具。

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台，包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分，采用java语言实现，可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用

flutter_flutter

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件，通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求，让密码技术应用更简单，同时探索后量子等先进算法创新实践，构建密码前沿技术底座！

🎉 (RuoYi)官方仓库基于SpringBoot，Spring Security，JWT，Vue3 & Vite、Element Plus 的前后端分离权限管理系统

Ascend Extension for PyTorch

仓颉编程语言命令行工具，包括仓颉包管理工具、仓颉格式化工具、仓颉多语言桥接工具及仓颉语言服务。

本项目是CANN提供的数学类基础计算算子库，实现网络在NPU上加速计算。