Jsoup.clean没有添加html实体

Question

我正在<script>通过使用来清除不需要的HTML标记(例如)中的一些文本

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

问题是,它取代例如å用å(这会导致麻烦的我,因为它不是"纯XML").

例如

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

产量

"hello å  world"

但我想

"hello å  world"

有没有一种简单的方法来实现这一目标？(比转换å回å结果更简单.)

Answer 1

您可以配置Jsoup的转义模式:使用EscapeMode.xhtml将为您提供输出w/o实体.

这是一个完整的片段,接受str输入,并使用Whitelist.simpleText()以下方法清除它:

// 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();

Answer 2

Jsoup的网站上已有功能请求.您可以通过添加新的空Map和新的转义类型来自己扩展源代码.如果您不想这样做,可以使用apache commons中的StringEscapeUtils.

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;
}

Answer 3

&bmoc 的回答工作正常，但您可以使用更短的解决方案：

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