Question

我有一个html片段，如下所示：

<span class=#article-title#>About《About<SomeChineseChars》Blabla</span>

很抱歉，我使用拉丁字符，因为编辑器不允许输入中文字符

当我尝试使用

从该元素中提取文本时

doc.select(".article-title").text();

我最终将得到以下结果：

About《About》Blabla

调试程序后，找到

<SomeChineseChars>

被视为HTML标记，JSoup如下自动关闭该标记

<SomeChineseChars></SomeChineseChars>

那么，是否有任何方法可以避免这种情况的发生，或者这是一个错误？

-=-=-=更新=-=-=-

建立dom之后，然后检查已解析的html，输出为

I cannot post img, so plz click me to view it

非常感谢，本

Answer 1

我通过侵入JSoup来构成一个解决方案，如下所示：

创建一个名为org.jsoup.parser的新包；

自定义HtmlTreeBuilder

public class TroilaHtmlTreeBuilder extends HtmlTreeBuilder {

private String zh = "[\\u4e00-\\u9fa5]+";

public TroilaHtmlTreeBuilder() {
}

@Override
Element insert(Token.StartTag startTag) {
    if (startTag.tagName.matches(zh)) {
        Token.Character ch = new Token.Character();
        ch.data(startTag.toString());
        insert(ch);
        return null;
    }
    return super.insert(startTag);
}

public Document parse(Reader input, String baseUri) {
    return super.parse(input, baseUri, ParseErrorList.noTracking(), this.defaultSettings());
}

}

我认为这不是解决问题的好方法，因此，如果您有更好的主意，请告诉我。

顺便说一句：非常感谢@Abhilash的帮助！

Answer 2

    Document doc = Jsoup.connect("http://gk.tj.gov.cn/gkml/00012525X/200804/t20080425_49468.shtml")
            .timeout(180 * 1000).get();
    String html = doc.outerHtml().replaceAll("<天津市企业实行商务卡结算财务管理暂行办法>", "&lt;天津市企业实行商务卡结算财务管理暂行办法&gt;");;
    doc = Jsoup.parse(html);
    System.out.println(doc.select("#span_docTitle").text());

输出：

转发《关于印发 <天津市企业实行商务卡结算财务管理暂行办法> 的通知》的通知

jsoup将令牌误认为是HTML标记

2 个答案: