[发明专利]一种网页内容的格式化输出方法

权利要求书

1.一种网页内容的格式化输出方法，其特征在于，该方法包括以下步骤：

A、解析Html页面，将html转换成标准xml格式；

B、先有预留一个字符串缓冲区(StringBuffer)，生成文档树结构(DOMTree)并遍历该树结构的所有节点，将文本内容追加到字符串缓冲区中，遍历完成后字符串缓冲区的内容就是最终的格式化文本。

2.根据权利要求1所述的方法，其特征在于，步骤A中分析原始文档，补足html规范中需要的TAG，和缺少结尾的TAG，以及处理不规范的TAG属性的写法，将非良构的html页变成良构的。

3.根据权利要求2所述的方法，其特征在于，过滤掉<SCRIPT><STYLE><SELECT><INPUT>和正文显示无关的标记。

4.根据权利要求1所述的方法，其特征在于，步骤B将已经良构化的html页面解析成文档树，并遍历该树，找到树中的文本节点。

5.根据权利要求4所述的方法，其特征在于，遍历树结构可以借用一个堆栈结构，创建另一个堆栈记录当前访问节点的父节点，以下称其为父节点堆栈，并准备好一个字符串缓冲区，准备接受字符。

6.根据权利要求5所述的方法，其特征在于，当遇到<address>，<blackquote>，<div>，<dl>，<h1>，<h2>，<h3>，<h4>，<h5>，<h6>，<ol>，<table>，<tr>，<ul>，<p>，<br>以及非html的标签时，说明是一个段落的开始需要往字符串缓冲区中追加一个回车。

7.根据权利要求6所述的方法，其特征在于，当遇到#TEXT的节点，文本追加进字符缓冲区中。

8.根据权利要求7所述的方法，其特征在于，当某个节点访问结束，并且该节点有子节点则将该节点压入父节点堆栈。

9.根据权利要求8所述的方法，其特征在于，当某个节点访问结束，并且该节点没有子节点也没有右兄弟节点，则查看父节点的堆栈，并弹出该父节点的堆栈，并弹出该父节点，再次访问该节点，并按B2处理。

10.根据权利要求9所述的方法，其特征在于，当某个节点访问结束，并且该节点是从父堆栈中弹出的再次访问的节点且该节点没有右兄弟节点了，则弹出该父节点，并再次访问该节点，并按B2处理。