jsoup - 不足しているタグと壊れているタグを含むHTMLをクリーニングする

Question

私は、HTMLテキストを掃除する方法を探しています。これらは通常、プログラマーではない人によって書かれており、HTMLにはいくつかの問題があります。ここで私が試したものです：

Parser p = Parser.htmlParser(); 
String test = "Here is a <i>fake</> message.<br><b><i>- Publisher</b></i>"; 
Document d = p.parseInput(test, StringUtils.EMPTY); 
System.out.println("BEFORE: " + test); 
System.out.println("JSPARSED: " + StringUtils.remove(d.body().html(), "\n")); 
System.out.println("JSOUP: "+ Jsoup.clean(test, StringUtils.EMPTY, Whitelist.relaxed())); 

出力は次のとおりです。

BEFORE: Here is a <i>fake</> message.<br><b><i>- Publisher</b></i> 
JSPARSED: Here is a <i>fake message.<br><b><i>- Publisher</i></b></i> 
JSOUP: Here is a 
<i>fake message.<br><b><i>- Publisher</i></b></i> 

所望の出力は次のようになります。

Here is a <i>fake</i> message.<br><b><i>- Publisher</i></b> 

はそれがjsoupを使用して上記のような状況のためにHTMLをきれいにすることは可能です？

EDIT：もう少しコンテキストを追加するには、このHTMLブロックが製品の説明としてWebサイトに表示されます。これは、通常、マーケティングチームやサイト運営者によって書かれ、時にはHTMLに間違いがあります。現在、JTidyをHTMLクリーンアップに使用してからWebサイトに表示しています。

私は最近、何個の製品でエラーが発生しているのかを確認するプログラムを実行しました。エラーが発生した製品は約30,000件でした。それらのいくつかを見直した後、エラーの大部分は誤った順序（プログラムで修正された）のタグであるが、例のようにタグが見つからないか破損したというエラーは、意図したとおりに修正されていない。

Answer 1

不正な形式のHTMLスニペットを30k自動修正すると、一貫した結果が得られる可能性は低いです。チャンスは、あなたはさらに犯したコンテンツを得るでしょう。

は自分に好意を行います

• 禁じるプログラムで、新しい/編集した説明は、壊れたHTMLを保存します。
• これらを手動で修正する（またはマーケティングチームに委任して最初にエラーが発生する）人を雇う。