从HtmlCleaner获取文本中的清理HTML

Question

我想看看我们从HTMLCleaner获得的已清理HTML。 我看到在TagNode上有一个名为serialize的方法，但是不知道如何使用它。 有人有任何示例代码吗？

由于 Nayn

Answer 1

以下是示例代码：

HtmlCleaner htmlCleaner = new HtmlCleaner();

TagNode root = htmlCleaner.clean(url);

HtmlCleaner.getInnerHtml(root);

String html = "<" + root.getName() + ">" + htmlCleaner.getInnerHtml(root) + "</" + root.getName() + ">";

Answer 2

使用org.htmlcleaner.XmlSerializer的子类，例如：

// get the element you want to serialize
HtmlCleaner cleaner     = new HtmlCleaner();
TagNode     rootTagNode = cleaner.clean(url);

// set up properties for the serializer (optional, see online docs)
CleanerProperties cleanerProperties = cleaner.getProperties();
cleanerProperties.setOmitXmlDeclaration(true);

// use the getAsString method on an XmlSerializer class
XmlSerializer xmlSerializer = new PrettyXmlSerializer(cleanerProperties);
String        html          = xmlSerializer.getAsString(rootTagNode);

Answer 3

XmlSerializer xmlSerializer = new PrettyXmlSerializer(cleanerProperties);

String html = xmlSerializer.getAsString(rootTagNode);

上面的方法有问题，它会修剪html标签中的内容，例如

  

这是第1段。

 will become 

  

这是第1段。

并且getSingleLineOfChildren函数执行修剪操作。因此，如果我们从网站获取数据并希望保持格式像tuckunder。

PS：如果html标签有子标签，则不会对父标签contetn进行操作，

例如<p> this is paragraph1. <a>www.xxxxx.com</a> </p>将在“this is paragraph1”之前保留空格