使用jsoup解析保留非HTML元素

Question

我是jsoup的新手，使用非HTML元素（脚本）时遇到一些困难。 我有以下HTML：

<$if not dcSnippet$>
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="generator" content="Outside In HTML Converter version 8.4.0"/>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
<title></title>
</head>

<$endif$>
<div style="position:relative">
<p style="text-align: left; font-family: times; font-size: 10pt; font-weight: normal; font-style: normal; text-decoration: none"><span style="font-weight: normal; font-style: normal">This is a test document.</span></p>
</div>
<$if not dcSnippet$>
</body>
</html>
<$endif$>

用于显示此内容的应用程序知道如何处理这些<if dcSnippet $>等语句。 因此，当我简单地用jsoup解析文本时，<和>被编码并且html被重新组织，因此它不能正确执行或显示。 像这样：

<html xmlns="http://www.w3.org/1999/xhtml"><head></head><body>&lt;$if not dcSnippet$&gt;
<meta http-equiv="generator" content="Outside In HTML Converter version 8.4.0">
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
<title></title>
&lt;$endif$&gt;
<div style="position:relative">
<p style="text-align: left; font-family: times; font-size: 10pt; font-weight: normal; font-style: normal; text-decoration: none"><span style="font-weight: normal; font-style: normal">This is a test document.</span></p>
</div>
&lt;$if not dcSnippet$&gt;
&lt;$endif$&gt;
</body></html>

我的最终目标是要添加一些CSS和js包含项，并修改几个元素属性。 那不是真正的问题，我已经做了很多工作。 问题是我不知道如何保存非HTML元素并将格式设置在与原始格式相同的位置。 到目前为止，我的解决方案是这样的：

读入HTML文件，并对其进行遍历，删除非HTML元素所在的行。
使用纯HTML创建一个Document对象
进行修改
返回HTML，然后重新插入我首先删除的非HTML元素（脚本）。
将文档保存到文件系统

只要非HTML的位置是可以预测的，就目前而言，这是可行的。 但是我想知道是否有更好的方法可以做到这一点，因此我不必先“清理” HTML，然后手动重新介绍后来删除的内容。 这是我的代码的要点（希望我没有错过太多的声明）：

String newLine();
FileReader fr = new FileReader(inputFile);
BufferedReader br = new BufferedReader(fr);
while ((thisLine = br.readLine()) != null) {
    if (thisLine.matches(".*<\\$if.*\\$>")) {
        ifStatement = thisLine + "\n";
    } else if (thisLine.matches(".*<\\$endif\\$>")) {
        endifStatement = thisLine + "\n";
    } else { 
        tempHtml += thisLine + "\n";
    }
}
br.close();

Document doc = Jsoup.parse(tempHtml, "UTF-8");
doc.outputSettings().prettyPrint(false).escapeMode(EscapeMode.extended);

Element head = doc.head();
Element body = doc.body();
Element firstDiv = body.select("div").first();

[... perform my element and attribute inserts ...]

body.prependText("\n" + endifStatement);
body.appendText("\n" + ifStatement);
String fullHtml = (ifStatement + doc.toString().replaceAll("\\&lt;", "<").replaceAll("\\&gt;", ">") + "\n" + endifStatement);

BufferedWriter htmlWriter = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(outputFile), "UTF-8"));
htmlWriter.write(fullHtml);
htmlWriter.flush();
htmlWriter.close();

非常感谢您的帮助或输入！

Answer 1

问题是我不知道如何保存非HTML元素并将格式设置在与原始格式相同的位置。

Jsoup是HTML解析器。 您提供的“ HTML文件”不包含HTML。 它更多是用类似HTML的语言编写的模板文件。

因此，Jsoup最多会将此模板文件视为无效的HTML文件。 这就是为什么所有非HTML元素都被转义的原因。

为了实现所需的功能，您必须编写自定义模板解析器。 Jsoup确实提供了一些通用类，这些类使此任务非常容易。

但是，根据设计，这些通用类仅保留供内部使用。

这给了我们四个选择：

您的实际解决方案
用纯HTML提要Jsoup
向Jsoup团队发送问题
要求具有创建自定义解析器的能力
编写更强大的自定义解析器
这是IMO的创新车轮解决方案
更改（如果可行）您当前的模板语言
检查胡子，例如胸腺

使用jsoup解析保留非HTML元素

问题描述

1 个解决方案

解决方案1
0 已采纳 2016-04-21 14:33:01

使用jsoup解析保留非HTML元素

问题描述

1 个解决方案

解决方案1 0 已采纳 2016-04-21 14:33:01

解决方案1
0 已采纳 2016-04-21 14:33:01