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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型，它在 Kimi-K2-Base 的基础上，通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式，以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日，正式发布的Qwen3-Coder-Next，一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署，一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型，在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明，该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外，我们通过整合印章识别和文本检测识别（text spotting）任务扩展了模型的能力，同时保持 0.9B 的超紧凑 VLM 规模，具备高效率特性。Python00
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型，是继 Baichuan-M2 之后的又一重要里程碑。Python00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
项目优选
docs
pytorch
ops-math
kernel
flutter_flutter
kernel
RuoYi-Vue3
ohos_react_native
agent-studio
cangjie_compiler