解析时如何防止Jsoup擦除文本内部的尖括号

Question

我正在尝试仅解析html文件的文本，该文件包含尖括号作为文本的一部分。

例如，html文件将如下所示：

<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>

我希望解析的文本文件的结果如下所示：

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

我正在使用Jsoup的parse函数来实现此目标，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();
}

但是，一旦Jsoup经历了解析过程，它将为每个尖括号添加标签，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>

最终产生结果

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

解析时如何防止Jsoup擦除文本内部的尖括号？

还是有办法让Jsoup识别某些尖括号不是html元素？ （也许使用正则表达式？）

我是Jsoup的新手，非常感谢任何帮助。 谢谢。

Answer 1

感谢Davide Pastore的评论，以及“ HTML中的右括号 ”问题

我可以使用以下代码解决问题。

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);
    }
}

如果你经过转换的过程“<”，在文本<你开始解析之前，你将能够在得到正确的输出。

解析时如何防止Jsoup擦除文本内部的尖括号

问题描述

1 个解决方案

解决方案1
0 已采纳 2016-07-25 01:34:59

解析时如何防止Jsoup擦除文本内部的尖括号

问题描述

1 个解决方案

解决方案1 0 已采纳 2016-07-25 01:34:59

解决方案1
0 已采纳 2016-07-25 01:34:59