JSoup的替代方案或如何清理空格

Question

有人知道 JSoup 的替代方法吗？

或者如何清除<p>&nbsp;</p>等序列？

适用于jQuery的HTML Clean插件对我很有用，但我有兴趣在服务器端进行html代码清理，而不是客户端。

或者，要做的replaceAll表达式是什么？：

String cleanS = dirtyS.replaceAll("<p>&nbsp;</p>", ""); //This doesnt work

我发现脏HTML带有混合序列的空格＃160 ，其他像＃32 。

所以，我需要的是一个表达式来删除它们的任何混合物。

Answer 1

您可以为此更改OutputSettings：

示例：

final String html = ...;


OutputSettings settings = new OutputSettings();
settings.escapeMode(Entities.EscapeMode.xhtml);

String cleanHtml = Jsoup.clean(html, "", Whitelist.relaxed(), settings);

这也可以通过Jsoup解析的Document来实现：

Document doc = Jsoup.parse(...);
doc.outputSettings().escapeMode(Entities.EscapeMode.xhtml);

// ...

---

修改

删除标签：

doc.select("p:matchesOwn((?is) )").remove();

请注意：在(?is)之后不为空白，但字符＃160 （= nbsp）。 这将删除所有自己的文本仅为 的p-Tags。如果您希望对所有其他代码执行此操作，则可以将p:替换为*:。

Answer 2

如果您有文档对象，则可以遍历paragrap元素并删除其中没有文本（或非空白文本）的所有元素。在检查文本是否为空之前，可以替换NBSP的出现;与白色空间。假设您使用UTF-8文件，以下内容可能对您有用：

public static final String NBSP_IN_UTF8 = "\u00a0"; 

假设您知道如何获取Document对象，那么要清理的循环很简单：选择段落元素并删除空元素：

org.jsoup.nodes.Document doc= ...   //obtain your document object  
for (org.jsoup.nodes.Element element : doc.select("p")) {
    if ( !element.hasText() || element.text().replaceAll(NBSP_IN_UTF8, "").trim().equals("") ) {
       element.remove();
    }
  }