Question

我正在使用Jsoup来清理表单中的用户输入。有问题的表单包含一个需要纯文本的<textarea>。提交表单后，我用Jsoup.clean(textareaContents)清除输入;但是，由于html忽略了额外的空格，Jsoup.clean()将从输入中删除有价值的空白字符。

例如，如果有人在textarea中输入了一些文字行：

hello

test

在Jsoup.clean()之后

，您将拥有：

hello test

如何让Jsoup.clean()保留空白？我知道它是为解析html而设计的，这不是html，所以有更好的选择吗？

Answer 1

对于后代，如果您仍需要使用空格访问原始文本，则可以使用TextNode.getWholeText()方法。

示例代码：

/**
 * @param cell element that contains whitespace formatting
 * @return
 */
public static String getText(Element cell) {
    String text = null;
    List<Node> childNodes = cell.childNodes();
    if (childNodes.size() > 0) {
        Node childNode = childNodes.get(0);
        if (childNode instanceof TextNode) {
            text = ((TextNode)childNode).getWholeText();
        }
    }
    if (text == null) {
        text = cell.text();
    }
    return text;
}

在上面的代码中，我们假设传入的元素直接在元素体内包含文本内容（我们采用第一个节点）。如果不是这样，它将回归常规Element.text()方法。

Answer 2

如果你的textarea只是想要纯文本，那么我认为你最好只用HTML转义纯文本。即将用户的输入<和>标记分别转换为<和>。输入我们的输出（输入可能更安全，所以你只需要考虑一次）。

正如你所说，jsoup HTML cleaner旨在解析不受信任的输入HTML和outuput trusted HTML，其中格式化是通过元素完成的。

Answer 3

Neeme Praks＆＃39;答案是非常好的，保存正确的空白。但是，内联HTML真的搞砸了。

<span>This is<br />some text.  Cool story.</span>

结果

"This is"

或者，如果传入的元素没有自己的文本，则返回null。

所以我不得不为我的目的重新修改这个方法。这可能会帮助一些人，所以我在这里发布它。基本的想法是迭代孩子而不是仅仅采取第一个。这还包括为没有子项的任何元素抓取HTML的情况。

这样原始片段会返回：

This is<br />some text.  Cool story.

public static String getText(Element cell) {
    StringBuilder textBuilder = new StringBuilder();
    for (Node node : cell.childNodes()) {
        if (node instanceof TextNode) {
            textBuilder.append(((TextNode)node).getWholeText());
        }
        else {
            for (Node childNode : node.childNodes()) {
                textBuilder.append(getText((Element)childNode));
            }
            textBuilder.append(node.outerHtml());
        }
    }
    if (cell.childNodes().isEmpty()) {
        textBuilder.append(cell.outerHtml());
    }
    return textBuilder.toString();
}

防止Jsoup丢弃额外的空格

3 个答案: