Jsoup：如何提取文件名中有空格的img？

Question

我正在尝试使用 Jsoup 提取 img。 它适用于文件名中没有任何空格的图像，但如果有空格，它只提取第一部分。

我在下面试过。

String result = Jsoup.clean(content,"https://rally1.rallydev.com/", Whitelist.relaxed().preserveRelativeLinks(true), new Document.OutputSettings().prettyPrint(false));
        Document doc = Jsoup.parse(result);
        Elements images = doc.select("img");

例如 HTML 内容

Description:<div>some text content<br /></div> 
<div><img src=/slm/attachment/43647556403/My file with space.png /></div>
<div><img src=/slm/attachment/43648152373/my_file_without_space.png/></div>

result内容为：

Description:Some text content<br> <img src="/slm/attachment/43647556403/My"><img src="/slm/attachment/43648152373/my_file_without_space.png/">

在文件名中有空格的图像的“结果”中只有第一部分“我的”。 它忽略了空格后的内容。

如果包含空格，如何提取文件名？

Answer 1

这个问题在 Jsoup 中不能轻易解决，因为带有空格的示例的src属性值实际上被正确识别为只有My 。 file , with和space.png部分在此示例中也是没有值的属性。 当然，您可以使用 JSoup 将 src 属性后面的属性键连接到其值。 例如像这样：

String test =""
        + "<div><img src=/slm/attachment/43647556403/My file with space.png /></div>"
        + "<div><img src=/slm/attachment/43647556403/My file with space.png name=whatever/></div>"
        + "<div><img src=/slm/attachment/43647556403/This  breaks  it.png name=whatever/></div>"
        + "<div><img src=\"/slm/attachment/43647556403/This  works.png\" name=whatever/></div>"
        + "<div><img src=/slm/attachment/43648152373/my_file_without_space.png/></div>";
Document doc = Jsoup.parse(test);
Elements imgs = doc.select("img");
for (Element img : imgs){
    Attribute src = null;
    StringBuffer newSrcVal = new StringBuffer();
    List<String> toRemove = new ArrayList<>();
    for (Attribute a : img.attributes()){
        if (a.getKey().equals("src")){
            newSrcVal.append(a.getValue());
            src = a;
        }
        else if (newSrcVal.length()>0){
            //we already found the scr tag
            if (a.getValue().isEmpty()){
                newSrcVal.append(" ").append(a.getKey());
                toRemove.add(a.getKey());
            }
            else{
                //the empty attributes, i.e. file name parts are over
                break;
            }
        }               
    }
    for (String toRemAttr : toRemove){
        img.removeAttr(toRemAttr);
    }
    src.setValue(newSrcVal.toString());
}
System.out.println(doc);

该算法循环遍历所有 img 元素，并在每个 img 中循环遍历其属性。 当它找到src属性时，它会保留它以供参考并开始填充newSrcBuf StringBuffer。 以下所有无值属性都将添加到newSrcBuf直到找到另一个具有值的属性或没有更多属性。 最后用newSrcBuf的内容重置 scr 属性值，并从 DOM 中删除以前的空属性。

请注意，当您的文件名包含两个或多个连续空格时，这将不起作用。 JSoup 会丢弃属性之间的那些空格，因此您无法在解析后取回它们。 如果需要，则需要在解析之前操作输入 html。

Answer 2

你可以这样：

 Elements images = doc.select("img");

 for(Element image: images){
 String imgSrc = image.attr("src");
 imgSrc = imgSrc.subString(imgSrc.lastIndexOf("/"), imgSrc.length()); // this will give you name.png
 }