java 如何防止Jsoup在解析时擦除文本中的尖括号

odopli94 于 2023-11-15 发布在 Java

关注(0)|答案(2)|浏览(133)

我试图只解析包含尖括号作为文本一部分的html文档的文本。
例如，html文件看起来像这样：

<html>
 <head></head> 
 <body> 
  <div>
    <p>1. <someUnicodeString></p> 
    <p>2. <foo 2012.12.26.></p> 
    <p>3. <123 2012.12.26.></p> 
    <p>4. <@ 2012.12.26.></p> 
    <p>5. foobarbar</p> 
  </div>
 </body>
</html>

字符串
我希望解析的文本文件的结果是这样的：

1. <someUnicodeString> 
2. <foo 2012.12.26.> 
3. <123 2012.12.26.> 
4. <@ 2012.12.26.> 
5. foobarbar

型
我使用Jsoup的parse函数来实现这一点，如下所示，

Document doc = null;

try {
    doc = Jsoup.parse(new File(path), "UTF-8");
    doc.outputSettings(new Document.OutputSettings().prettyPrint(false));
    doc.outputSettings().escapeMode(EscapeMode.xhtml);

    //set line breaks in readable format
    doc.select("br").append("\\n");
    doc.select("p").prepend("\\n\\n");
    String bodyText = doc.body().html().replaceAll("\\\\n", "\n");
    bodyText = Jsoup.clean(bodyText, "", Whitelist.none(), new Document.OutputSettings().prettyPrint(false));

    File f = new File(textFileName+".txt");
    f.getParentFile().mkdirs();
    PrintWriter writer = new PrintWriter(f, "UTF-8");
    writer.print(Parser.unescapeEntities(bodyText, false));
    writer.close();
} catch(IOException e) {
    //Do something
    e.printStackTrace();
}

型
然而，一旦Jsoup完成解析过程，它会为每个尖括号添加标记，后跟字符。

<p>1. <someUnicodeString></someUnicodeString></p> 
<p>2. <foo 2012.12.26.></foo></p> 
<p>3. <123 2012.12.26.></p> 
<p>4. <@ 2012.12.26.></p> 
<p>5. foobarbar</p>

型
最终产生的结果

1.  
2.  
3. <123 2012.12.26.> 
4. <@ 2012.12.26.> 
5. asdasd

型
如何防止Jsoup在解析时擦除文本中的尖括号？
或者有没有一种方法可以让Jsoup识别出某些尖括号不是html元素？（也许使用正则表达式？）
我是Jsoup的新手，非常感谢任何形式的帮助。谢谢。

Java

来源：https://stackoverflow.com/questions/38538353/how-to-prevent-jsoup-from-erasing-angle-brackets-inside-text-when-parsing

2条答案

按热度按时间

iszxjhcz1#

感谢Davide Pastore的评论，以及“HTML中的右尖括号”问题
我可以用下面的代码解决这个问题。

doc = Jsoup.parse(new File(path), "UTF-8");
//replace all left-angle tags inside <p> element to "&lt;"
Elements pTags = doc.select("p");
for (Element tag : pTags) {
    //change the boundary of the regex to whatever suits you
    if (tag.html().matches("(.*)<[a-z](.*)")) {
        String innerHTML = tag.html().replaceAll("<(?=[a-z])", "&lt;");
        tag.html(innerHTML);
    }
}

字符串
如果在开始解析之前，先完成将文本中的“<”转换为<的过程，就可以得到正确的输出。

赞(0）回复(0）举报 2023-11-15

njthzxwz2#

doc = Jsoup.parse（new File（path），“UTF-8”）;
第一行是将html从

<div>
    <p>1. <someUnicodeString></p>
</div>

字符串
到

<div>
    <p>1. <someUnicodeString> </someUnicodeString></p>
</div>

型
它应该像解析后，非html标签应该有没有任何修改。

赞(0）回复(0）举报 2023-11-15

我来回答

java 如何防止Jsoup在解析时擦除文本中的尖括号

2条答案

相关问题

热门标签

最新问答