Question

我试图刮掉＆＃34;文字＆＃34;关闭JSoup的网站。我可以干净地得到文本（根本没有格式化，只有文本），或者所有格式仍然附加（即＆lt; br＆gt;以及＆lt; p＆gt;和＆lt; / p＆gt;）。

但是，我似乎无法将格式化版本包含在＆lt; br /＆gt;在任何程度上，这是唯一被特别要求与文本一起使用的东西。

例如，我可以得到这个：

<p><br>Worldwide database</p>

和此：

Worldwide database

但是我无法得到这个，这是我想要的结果：

Worldwide database<br/>

我没有看到任何＆lt;通过Firefox上的FireBug插件查看HTML代码时，我想知道这可能是问题吗？或者我的代码中使用的方法是否存在问题？

无论如何，这是我的代码：

Elements descriptionHTML = doc.select("div[jsname]"); // <-- Get access to the text w/ JSoup
String descText = descriptionHTML.text(); // <-- Get the code w/o any formating at all

// This prints out the desired text with the <p><br> and </p>, but no <br/>
for (Element link : descriptionHTML) 
{
   String jsname = link.attr("jsname");
   if( jsname.equals("C4s9Ed")){                    
        System.out.println(link);
        break;
   }                                        
}

我真的对这个问题有任何帮助。

谢谢，千斤顶

Answer 1

HTML没有为 元素定义结束标记。但是，XHTML要求将标记标记为空： 。 JSoup解析两者，但只会打印出普通的HTML（ ）。

如果您在Jsoup中使用XML解析器，则 标记不会关闭，因此Jsoup会尝试猜测匹配的结束标记的位置，这些标记既不符合HTML也不符合XHTML。

如果你想保留换行符信息并删除所有其他标签，我认为你需要在Jsoup之外编写该部分。您可以使用uniqe其他字符串替换所有 和 字符串，例如"_brSplitPos_"，然后使用JSoup解析文档，仅打印文本并替换{{1} } "_brSplitPos_"：

<br />

使用JSoup for Java格式化HTML问题

1 个答案: