Question

实际上JSOUP在我的jSOUP解析器中为我的HTML添加了一些额外的编码值。我正在尝试通过

来处理它

String url = "http://iqtestsites.adtech.de/pictelatest/custombkgd/StylelistDevil.html";
System.out.println("Fetching %s..."+url);

Document doc = Jsoup.connect(url).get();
//System.out.println(doc.html());

Document.OutputSettings settings = doc.outputSettings();

settings.prettyPrint(false);
settings.escapeMode(Entities.EscapeMode.base);
settings.charset("ASCII");
String html = doc.html();
System.out.println(html);

但是由于某种原因找不到实体类并且发出错误。我包括的lib是

import org.jsoup.Jsoup;
import org.jsoup.helper.Validate;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

原始HTML

<!DOCTYPE html>
<html xmlns:og="http://opengraphprotocol.org/schema/" xmlns:fb="http://www.facebook.com/2008/fbml" xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en" class="SAF" id="global-header-light">
<head>

</head>
<body>


<div style="background-image: url(http://aka-cdn-ns.adtech.de/rm/ads/23274/HPWomenLOFT_1381687318.jpg);background-repeat: no-repeat;-webkit-background-size: 1001px 2059px; height: 2059px; width: 1001px; text-align: center; margin: 0 auto;">                      

<div style="height:2058px; padding-left:0px; padding-top:36px;">


<iframe style="height:90px; width:728px;" />



</div>
</div>

</body>
</html>

JSOUP的doc.html()给出了这个：

<!DOCTYPE html>
<html xmlns:og="http://opengraphprotocol.org/schema/" xmlns:fb="http://www.facebook.com/2008/fbml" xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en" class="SAF" id="global-header-light">
 <head> 
  <style>

</style> 
 </head> 
 <body> 
  <div style="background-image: url(aol.jpeg); background-repeat: no-repeat;-webkit-background-size:90720;height:720; width:90; text-align: center; margin: 0 auto;"> 
   <div style="height:450; width:100; padding-left:681px; padding-top:200px;"> 
    <iframe style="height:1050px; width:300px;"></iframe> &lt;/div&gt; &lt;/div&gt; &lt;/body&gt; &lt;/html&gt;
   </div>
  </div>
 </body>
</html>

iframe元素已添加了一些编码内容。

请帮忙。

由于斯瓦拉杰

Answer 1

实际上jsoup没有添加编码的东西。 Jsoup只是添加了似乎的结束标记。让我解释。

首先，jsoup尝试格式化你的html。在您的情况下，这意味着它将添加缺少的结束标记。示例

Document doc = Jsoup.parse("<div>test<span>test"); System.out.println(doc.html());

输出：

<html> <head></head> <body> <div> test <span>test</span> </div> </body> </html>

如果你检查编码的东西，你会发现它们正在关闭标签。

</div> = </div> </div> = </div> </body> = </body>

如果你去网站并按 Ctrl + U （使用chrome）那么你会看到什么是jsoup 将解析。 Chrome会为其识别的有效html标记添加颜色。由于某些奇怪的原因，它无法识别底部的标签（与转义字符一起出现的标签）。出于同样的原因，jsoup也存在关闭标签的问题。它不会将它们视为结束标记，而是将其视为文本，因此它将它们转义，然后通过添加这些标记来规范化html，如前所述。

修改我设法复制了这种行为。

Document doc = Jsoup.parse("<iframe /><span>test</span>"); System.out.println(doc.html());

您可以看到完全相同的行为。问题在于自关闭iframe。这样做可以解决问题

Document doc = Jsoup.parse("<iframe></iframe><span>test</span>"); System.out.println(doc.html());

编辑2 如果您只想接收html而不构建文档对象，则可以执行此操作

Connection.Response html = Jsoup.connect("http://iqtestsites.adtech.de/pictelatest/custombkgd/StylelistDevil.html").execute(); System.out.println(html.body());

完成上述操作后，您可以找到自关闭iframe并将其替换为有效表示（或完全删除）。然后你可以用Jsoup.parse()解析该字符串这将解决在iframe之后无法识别结束标记的问题，因为它将是有效的。

JSOUP为html添加额外的编码内容

1 个答案: