Question

我正在尝试仅解析包含尖括号作为文本一部分的html文档的文本。

例如，html文件看起来像这样：

.body {
  height: calc(100vh - 50px);
}

我希望解析的文本文件的结果如下：

<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>

我正在使用Jsoup的解析函数来实现这一点，如下所示，

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

然而，一旦Jsoup完成解析过程，它会为每个尖括号添加标记，后跟字符。

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();
}

最终产生结果

<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>

如何在解析时阻止Jsoup擦除文本中的尖括号？

或者有没有办法让Jsoup认识到某些尖括号不是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，以及问题＆＃34; Right angle bracket in HTML＆＃34;

我能够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);
    }
}

如果您经历了转换＆＃34;＆lt;＆＃34;在开始解析之前，在<的文本中，您将能够获得正确的输出。

解析时如何防止Jsoup擦除文本中的尖括号

1 个答案: