Jsoup项目中StreamParser处理HTML显式闭合标签的重复解析问题分析
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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架，依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始，我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度，并在 200–300 次连续调用中保持稳定的工具使用能力，它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时，K2 Thinking 是原生 INT4 量化模型，具备 256k 上下文窗口，实现了推理延迟和 GPU 内存占用的无损降低。Python00- GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型，支持128K上下文窗口，融合原生多模态函数调用能力，实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能，适用于云集群与本地部署，在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计，在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析，还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00- GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型，参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计，在保持紧凑体量的同时，多项基准测试表现优于 OpenAI Whisper V3。Python00
- GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音（TTS）合成系统，支持零样本语音克隆和流式推理。该系统采用两阶段架构，结合了用于语音 token 生成的大语言模型（LLM）和用于波形合成的流匹配（Flow Matching）模型。 通过引入多奖励强化学习框架，GLM-TTS 显著提升了合成语音的表现力，相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型，专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句，在形式化语句生成方面达到了业界领先水平。Python00
项目优选
kernel
docs
pytorch
ops-math
flutter_flutter
nop-entropy
ohos_react_native
leetcode
RuoYi-Vue3
cangjie_compiler