Question

我是jsoup的新手，我在使用非HTML元素（脚本）时遇到了一些困难。我有以下HTML：

<$if not dcSnippet$>
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="generator" content="Outside In HTML Converter version 8.4.0"/>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
<title></title>
</head>

<$endif$>
<div style="position:relative">
<p style="text-align: left; font-family: times; font-size: 10pt; font-weight: normal; font-style: normal; text-decoration: none"><span style="font-weight: normal; font-style: normal">This is a test document.</span></p>
</div>
<$if not dcSnippet$>
</body>
</html>
<$endif$>

用于显示此应用程序的应用程序知道如何处理这些＆lt; if dcSnippet $＆gt;等声明。所以，当我简单地用jsoup解析文本时，＆lt;和＆gt;编码并重新组织html，因此它不会正确执行或显示。像这样：

<html xmlns="http://www.w3.org/1999/xhtml"><head></head><body>&lt;$if not dcSnippet$&gt;
<meta http-equiv="generator" content="Outside In HTML Converter version 8.4.0">
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
<title></title>
&lt;$endif$&gt;
<div style="position:relative">
<p style="text-align: left; font-family: times; font-size: 10pt; font-weight: normal; font-style: normal; text-decoration: none"><span style="font-weight: normal; font-style: normal">This is a test document.</span></p>
</div>
&lt;$if not dcSnippet$&gt;
&lt;$endif$&gt;
</body></html>

我的最终目标是我想添加一些css和js包含，并修改一些元素属性。这不是一个真正的问题，我已经解决了这个问题。问题是我不知道如何保留非HTML元素并将格式保留在与原始格式相同的位置。到目前为止我的解决方案是这样的：

读入HTML文件，并遍历它，删除带有非html元素的行。
使用纯HTML
进行修改
返回HTML并重新插入我先删除的非HTML元素（脚本）。
将文档保存到文件系统

现在，只要非HTML的位置是可预测的，并且到目前为止，这是有效的。但我想知道是否有更好的方法来做到这一点，所以我不必先“清理”HTML，然后手动重新引入我后来删除的内容。这是我的代码的要点（希望我没有错过太多的声明）：

String newLine();
FileReader fr = new FileReader(inputFile);
BufferedReader br = new BufferedReader(fr);
while ((thisLine = br.readLine()) != null) {
    if (thisLine.matches(".*<\\$if.*\\$>")) {
        ifStatement = thisLine + "\n";
    } else if (thisLine.matches(".*<\\$endif\\$>")) {
        endifStatement = thisLine + "\n";
    } else { 
        tempHtml += thisLine + "\n";
    }
}
br.close();

Document doc = Jsoup.parse(tempHtml, "UTF-8");
doc.outputSettings().prettyPrint(false).escapeMode(EscapeMode.extended);

Element head = doc.head();
Element body = doc.body();
Element firstDiv = body.select("div").first();

[... perform my element and attribute inserts ...]

body.prependText("\n" + endifStatement);
body.appendText("\n" + ifStatement);
String fullHtml = (ifStatement + doc.toString().replaceAll("\\&lt;", "<").replaceAll("\\&gt;", ">") + "\n" + endifStatement);

BufferedWriter htmlWriter = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(outputFile), "UTF-8"));
htmlWriter.write(fullHtml);
htmlWriter.flush();
htmlWriter.close();

非常感谢任何帮助或输入！

Answer 1

问题是我不知道如何保留非HTML元素并将格式保留在与原始元素相同的位置。

Jsoup是一个HTML解析器。您提供的＆＃34; HTML文件＆＃34; 不包含HTML。它是一个用类似HTML语言编写的模板文件。

因此，Jsoup将此模板文件视为无效的HTML文件。这就是所有非HTML元素都被转义的原因。

要获得所需内容，您必须编写自定义模板解析器。 Jsoup提供了一些通用的类，可以使这项任务变得非常简单。

但是，根据设计，这些通用类仅供内部使用。

这给我们留下了四个选择：

您的实际解决方案
使用纯HTML提取Jsoup
向Jsoup团队发送issue
要求能够创建自定义解析器
编写更强大的自定义解析器
这是一个重新发明的解决方案IMO
更改（如果可行）您当前的模板语言
检查mustache，Thymyleaf例如

使用jsoup解析保留非HTML元素

1 个答案: