Question

我正在使用jsoup进行一些xml处理。问题是，它正在用html实体替换xml实体，即：»：»

我怎样才能保留原始（xml）实体？

Groovy脚本：

import org.jsoup.Jsoup
import org.jsoup.nodes.Document
import org.jsoup.nodes.Entities
import org.jsoup.parser.Parser

String HTML_STRING = '''
    <html>
    <div></div>
    <div>Some text &#187;</div>
    </html>
  '''

Document doc = Jsoup.parse(new ByteArrayInputStream(HTML_STRING.getBytes("UTF-8")), "UTF-8", "", Parser.xmlParser())
doc.outputSettings().charset("UTF-8")
doc.outputSettings().escapeMode(Entities.EscapeMode.base)


println doc.toString()

结果：

<html> 
 <div></div> 
 <div>
  Some text &raquo;
 </div> 
</html>

如果我使用 Entities.EscapeMode.xhtml ，结果为：

<html> 
 <div></div> 
 <div>
  Some text »
 </div> 
</html>

感谢。

Answer 1

您希望使用EscapeMode.xhtml的组合（如果使用XML解析器，则为默认值，而不是HTML解析器）和ascii作为输出字符集。

默认输出字符集是UTF-8，如果输出字符集直接支持字符，jsoup将优先不使用实体转义（因为为什么浪费CPU和带有不必要的转义）。

如果您使用Document.OutputSettings.charset("ascii")将输出字符集更改为ascii，您将获得所需的输出。

如果您正在使用HTML，您可能还希望将输出语法设置为XML，否则HTML解析器将尝试使输出确认为HTML并且可以使您的XML DOM树变得简单。

_{（来源：jsoup的作者）}

将XML实体保留在输出中（jSoup）

1 个答案: