有關於用JTidy處理HTML轉化爲標準的XHTML或者XMl出現空的問題

        最近在項目中遇到了一個無法解決的問題，是有關於HTML源碼轉化爲標準格式的XHTML或者是XML數據的問題，這是項目中遇到的一個問題。
        JTidy是一個java的用於處理HTML源碼的工具，由於HTML是半結構化的，所以其中有很多的不好的或者其他不規範標準的格式，如沒有結束標籤等等，JTidy可以去除這些不好的格式，或者補全結束標籤等這樣的功能，把半結構化的HTML轉化爲結構化的，標準的XHTML結構和XML結構，但是最近在使用時出現了問題。

Document doc = null;
		try {
			InputStream in = String2InputStream(htmlStr);
			// 設置 tidy ，準備轉換
			Tidy tidy = new Tidy();
			tidy.setDocType(htmlStr);
			tidy.setXmlOut(true); // 輸出格式 xml
//			//tidy.setDropFontTags(true); // 刪除字體節點
//			tidy.setDropEmptyParas(true); // 刪除空段落
//			tidy.setFixComments(true); // 修復註釋
//			tidy.setFixBackslash(true); // 修復反斜杆
			tidy.setMakeClean(true); // 刪除混亂的表示
			tidy.setPrintBodyOnly(true);
//			tidy.setQuoteNbsp(false); // 將空格輸出爲  
//			tidy.setQuoteMarks(false); // 將雙引號輸出爲 "
//			tidy.setQuoteAmpersand(true); // 將 & 輸出爲 &
//			tidy.setShowWarnings(false); // 不顯示警告信息
			tidy.setInputEncoding("UTF-8"); // 輸入的流的編碼爲utf-8
			tidy.setOutputEncoding("UTF-8"); // 輸出流的編碼爲ｕｔｆ－８
//
			doc = tidy.parseDOM(in, null); // 通過 JTidy 將 HTML 網頁解析爲
			in.close(); // W3C 的 Document 對象

        這是處理時的代碼，首先參數中的htmlStr是抓取的HTML的源代碼，然後進行Tidy的設置，利用tidy處理HTML源碼，使其規範化或者標準化，然後轉化爲dom結構，對其進行處理後在轉化爲XML格式的流，但是最近碰到的問題是在處理後結構是空，也就是doc這個變量是空的，在轉化爲XML後輸出爲空。
       經過調試後發現，這是tidy處理時出現了問題，這種問題的原因就在於原有的HTML代碼的格式過於不規範，已經超出了tidy能後處理的能力，雖然他很強大，但是還沒有智能到無所不能的地步，在用tidy處理並轉化爲dom結構是，由於HTML標籤轉化爲dom結構中的結點，但是卻沒有正常轉化，使其結點的層次混亂，最後再轉化爲XML格式時就出現了空的情況，所以如果出現了處理後爲空的情況，可能就是原有的HTML代碼的問題，這個解決比較困難，除非不用tidy而用其他的方法。
        但是大部分情況下，tidy是可以處理的，最近做了好長時間才遇到了在處理某個網站的時候出現了這種問題，原因在於網站的HTML源碼太亂，這種情況還是出現比較少的，但是遇到了就沒辦法了。