貌似发现了一个bug

源是这样的：

1. <img src="http://p2.pstatp.com/large/1c6000c35891181a89e" img_width="640" img_height="427" alt="阎肃今晨去世 享年86岁 原来这些"流行歌曲"都是老先生写的"  onerror="javascript:errorimg.call(this);" >

复制代码

抓到之后变成了这样

1. <img onerror="javascript:errorimg.call(this);" 流行歌曲"都是老先生写的"="" alt="阎肃今晨去世 享年86岁 原来这些" img_height="427" img_width="640" src="http://p2.pstatp.com/large/1c6000c35891181a89e" />

复制代码

我估计是引号导致，注意那个alt里面的内容被打乱了。
内容源在这里：http://toutiao.com/i6250344183064691202/

确实有这个问题，抓取结果解析不了了，我分析了一下，html源代码本身有错误，导致解析出来的网页DOM也有问题。应该是英文的""，与html中的属性值的引号混淆了。这一行：

1. alt="阎肃今晨去世 享年86岁 原来这些"流行歌曲"都是老先生写的"

复制代码

引号里面套引号，就出错了。

MS谋数台显示的属性变成这样了

这个问题我们得开发那边想想怎样过滤掉这样的错误。

上面是火狐的解析结果，按  F12 看到的。我看看chrome怎样

chrome的没有问题。

抓取片段是用 xsl:copy-of ，有什么拷贝什么，无法过滤，现在是依赖于浏览器的解析，只能在入库程序中做过滤。

我解析的时候会有这个错

1. [2016-02-12 20:12:21;115,  1734]ERROR(GrepJob.java:57) - DocumentException
   
2. org.dom4j.DocumentException: Error on line 5 of document file:///E:/news-resources/news-crawler/今日头条_2级/今日头条_2级_229121645_3578522521.xml : 与元素类型 "img" 相关联的属性名 "流行歌曲" 必须后跟 ' = ' 字符。 Nested exception: 与元素类型 "img" 相关联的属性名 "流行歌曲" 必须后跟 ' = ' 字符。
   
3.         at org.dom4j.io.SAXReader.read(SAXReader.java:482)
   
4.         at org.dom4j.io.SAXReader.read(SAXReader.java:264)
   
5.         at com.pandora.crawler.task.GrepJob.parseXML(GrepJob.java:52)
   
6.         at com.pandora.crawler.task.GrepJob.main(GrepJob.java:94)
   
7. Nested exception:
   
8. org.xml.sax.SAXParseException; systemId: file:///E:/news-resources/news-crawler/今日头条_2级/今日头条_2级_229121645_3578522521.xml; lineNumber: 5; columnNumber: 114; 与元素类型 "img" 相关联的属性名 "流行歌曲" 必须后跟 ' = ' 字符。

复制代码

先针对这个特殊情况做个过滤吧，要做个通用的程序还挺麻烦，不知道会是什么特征
如果用底层sax编程，也许可以跳过这些异常。
这个Bug已经记录下来，正在设计解决方案