使用jsoup解析保留非HTML元素
[英]Preserve non-HTML elements with jsoup parse
問題描述
我是jsoup的新手，使用非HTML元素（腳本）時遇到一些困難。 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>
<$endif$>
用於顯示此內容的應用程序知道如何處理這些<if dcSnippet $>等語句。 因此，當我簡單地用jsoup解析文本時，<和>被編碼並且html被重新組織，因此它不能正確執行或顯示。 像這樣：
<html xmlns="http://www.w3.org/1999/xhtml"><head></head><body><$if not dcSnippet$>
<meta http-equiv="generator" content="Outside In HTML Converter version 8.4.0">
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
<title></title>
<$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$>
<$endif$>
</body></html>
我的最終目標是要添加一些CSS和js包含項，並修改幾個元素屬性。 那不是真正的問題，我已經做了很多工作。 問題是我不知道如何保存非HTML元素並將格式設置在與原始格式相同的位置。 到目前為止，我的解決方案是這樣的：
- 讀入HTML文件，並對其進行遍歷，刪除非HTML元素所在的行。
- 使用純HTML創建一個Document對象
- 進行修改
- 返回HTML，然后重新插入我首先刪除的非HTML元素（腳本）。
- 將文檔保存到文件系統
只要非HTML的位置是可以預測的，就目前而言，這是可行的。 但是我想知道是否有更好的方法可以做到這一點，因此我不必先“清理” HTML，然后手動重新介紹后來刪除的內容。 這是我的代碼的要點（希望我沒有錯過太多的聲明）：
String newLine();
FileReader fr = new FileReader(inputFile);
BufferedReader br = new BufferedReader(fr);
while ((thisLine = br.readLine()) != null) {
if (thisLine.matches(".*<\\$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("\\<", "<").replaceAll("\\>", ">") + "\n" + endifStatement);
BufferedWriter htmlWriter = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(outputFile), "UTF-8"));
htmlWriter.write(fullHtml);
htmlWriter.flush();
htmlWriter.close();
非常感謝您的幫助或輸入！
1 個解決方案
解決方案1
0 已采納 2016-04-21 14:33:01
問題是我不知道如何保存非HTML元素並將格式設置在與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。 它更多是用類似HTML的語言編寫的模板文件。
因此，Jsoup最多會將此模板文件視為無效的HTML文件。 這就是為什么所有非HTML元素都被轉義的原因。
為了實現所需的功能，您必須編寫自定義模板解析器。 Jsoup確實提供了一些通用類，這些類使此任務非常容易。
但是，根據設計，這些通用類僅保留供內部使用。
這給了我們四個選擇：
在解析 HTML 字符串時保留非 html 標記
聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.