Jsoup.clean без добавления html-объектов

Я очищаю текст из нежелательных HTML-тегов (например, <script>) с помощью

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

Проблема заключается в том, что она заменяет, например, å на å (что вызывает проблемы для меня, поскольку это не "чистый xml" ).

Например

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

дает

"hello &aring;  world"

но я хотел бы

"hello å  world"

Есть ли простой способ достичь этого? (Т.е. проще, чем преобразование å назад в å в результате.)

Ответ 1

Вы можете настроить режим экранирования Jsoup: Использование EscapeMode.xhtml даст вам выход без сущностей.

Здесь полный фрагмент, который принимает str как ввод 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();

Ответ 2

На сайте Jsoup уже есть запросы функций. Вы можете расширить исходный код самостоятельно, добавив новую пустую карту и новый тип экранирования. Если вы не хотите этого делать, вы можете использовать StringEscapeUtils из сообщества apache.

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;
}

Ответ 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 тестировал это, и он работает

Ответ 4

В принятом ответе используется 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 для установки режима эвакуации. Это должно избегать некоторых ненужных шагов, выполняемых методом parse, потому что ему не нужно разбирать 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();
}

Ответ 5

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))

Ответ 6

Разбирайте HTML как документ, затем используйте Cleaner для очистки документа и создания другого, получите выходные данные документа и установите соответствующую кодировку и режим эвакуации в xhtml, а затем преобразуйте документ в String. Не проверен, но должен работать.

Ответ 7

Простой способ:

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

doc.outputSettings().escapeMode(em);

Это приведет к удалению ВСЕ html-сущностей, включая эти: ",", < и > . EscapeMode.xhtml позволяет этим объектам.