Question

以下是我需要解析的文本示例。

<P>The symbol <IMG id="pic1" height=15 src="images/itemx/image001.gif" width=18>indicates......</P>

我需要进行清理。因此，应用以下代码将删除src属性，因为它不以有效协议开头。无论如何配置Jsoup来获取属性？我想尽可能避免使用绝对网址。

Jsoup.clean(content, Whitelist.basicWithImages());

Answer 1

只要在清洁时指定base URI，jsoup清洁器就会允许相对链接。这样就可以根据允许的协议确认链路的协议。请注意，在您的示例中，您使用的是没有基URI的clean方法，因此无法解析链接，因此必须将其删除。

例如为：

String clean = Jsoup.clean(html, "http://example.com/", 
   Whitelist.basicWithImages());

请注意，在当前版本中，清理后任何相对链接都将转换为绝对链接。我只是committed a change（在下一个版本中提供），它可以选择保留相对链接。

语法将是：

String clean = Jsoup.clean(html, "http://example.com/",
    Whitelist.basicWithImages().preserveRelativeLinks(true));

Answer 2

不幸的是，接受的答案对我不起作用，因为我必须支持多个域（包括多个开发环境和多个生产站点）。所以我们确实需要相对的URL（不管它带来的危险）。所以这就是我做的事情：

// allow relative URLs. JSoup doesn't support that, so we use reflection
// removing the list of allowed protocols, which means all protocols are allowed
Field field = ReflectionUtils.findField(WHITELIST.getClass(), "protocols");
ReflectionUtils.makeAccessible(field);
ReflectionUtils.setField(field, WHITELIST, Maps.newHashMap());

（ReflectionUtils是一个Spring类，它只包含反射API抛出的已检查异常）

Answer 3

这可能会有所帮助：

whitelist.removeProtocols("a", "href", "ftp", "http", "https", "mailto");
whitelist.removeProtocols("img", "src", "http", "https");

在JSoup中接受<img/>标记的相对路径

3 个答案: