Jsoup.чистый без добавления HTML-сущности

я очищаю текст от нежелательных тегов HTML (например,<script>) С помощью

String clean = Jsoup.clean(someInput, Whitelist.basicWithImages());

проблема в том, что он заменяет например å С &aring; (что вызывает проблемы для меня, так как это не "чистый xml").

Jsoup.clean("hello å <script></script> world", Whitelist.basicWithImages())

доходность

"hello &aring;  world"

но я хотел бы

"hello å  world"

есть ли простой способ добиться этого? (Т. е. проще, чем преобразование &aring; на å в результат.)

24
html html-entities java jsoup

7 ответов

вы можете настроить режим экранирования Jsoup: используя EscapeMode.xhtml даст Вам выходные данные без сущностей.

вот полный фрагмент, который принимает str в качестве ввода и очищает его с помощью Whitelist.simpleText():

// Parse str into a Document
Document doc = Jsoup.parse(str);

// Clean the document.
doc = new Cleaner(Whitelist.simpleText()).clean(doc);

// Adjust escape mode
doc.outputSettings().escapeMode(EscapeMode.xhtml);

// Get back the string of the body.
str = doc.body().html();
32

на веб-сайте Jsoup уже есть запросы функций. Исходный код можно расширить самостоятельно, добавив новую пустую карту и новый тип экранирования. Если вы не хотите этого делать, вы можете использовать StringEscapeUtils из Apache commons.

public static String getTextOnlyFromHtmlText(String htmlText){
    Document doc = Jsoup.parse( htmlText );
    doc.outputSettings().charset("UTF-8");
    htmlText = Jsoup.clean( doc.body().html(), Whitelist.simpleText() );
    htmlText = StringEscapeUtils.unescapeHtml(htmlText);
    return htmlText;
}
10

ответ от & bmoc работает нормально, но вы можете использовать более короткое решение:

// Clean html
Jsoup.clean(someInput, "yourBaseUriOrEmpty", Whitelist.simpleText(), new OutputSettings().escapeMode(EscapeMode.xhtml))
3

более простой способ сделать это -

// clean the html
String output = Jsoup.clean(html, Whitelist.basicWithImages());

// Parse string into a document
Document doc = Jsoup.parse(output);

// Adjust escape mode
doc.outputSettings().escapeMode(EscapeMode.xhtml);

// Get back the string
System.out.println(doc.body().html());

Я испытал это, и это работает

2

принятый ответ использует Jsoup.parse который кажется более тяжелым, чем то, что происходит в Jsoup.clean после быстрого взгляда на источник.

Я скопировал исходный код Jsoup.clean(...) и добавил строку, чтобы установить режим escape. Это должно избежать некоторых ненужных шагов, выполняемых методом parse, потому что ему не нужно анализировать весь html-документ, а просто обрабатывать фрагмент. 

private String clean(String html, Whitelist whitelist) {
    Document dirty = Jsoup.parseBodyFragment(html, "");
    Cleaner cleaner = new Cleaner(whitelist);
    Document clean = cleaner.clean(dirty);
    clean.outputSettings().escapeMode(EscapeMode.xhtml);
    return clean.body().html();
}
2

проанализируйте HTML как документ, затем используйте очиститель для очистки документа и создания другого, получите outputSettings документа и установите соответствующую кодировку и режим escape в xhtml, затем преобразуйте документ в строку. Не проверено, но должно работать.

0

простой способ:

EscapeMode em = EscapeMode.xhtml;
em.getMap().clear();

doc.outputSettings().escapeMode(em);

удалить все HTML-сущности, в том числе: ', ", & ,. The EscapeMode.в XHTML позволяет эти сущности.

0