Jsoup Whitelist：解析非英语角色

Question

我正在尝试使用Jsoup清除HTML文本并从中提取纯文本。 HTML可能包含非英文字符。

例如，HTML文本是：

String html = "<p>Á <a href='http://example.com/'><b>example</b></a> link.</p>";

现在，如果我使用Jsoup#parse(String html)：

String text = Jsoup.parse(html).text();

正在打印：

Á example link.

如果我使用Jsoup#clean(String bodyHtml, Whitelist whitelist)清理文字：

String text = Jsoup.clean(html, Whitelist.none());

正在打印：

Á example link.

我的问题是，如何获取文字

Á example link.

使用Whitelist和clean()方法？我想使用Whitelist，因为我可能需要使用Whitelist#addTags(String... tags)。

任何信息都对我很有帮助。

感谢。

Answer 1

在当前版本（1.6.1）中不可能，jsoup print Á为Á因为实体转义功能，现在没有“不要转义”模式（检查{{1} }）。

您可以1.浏览这些HTML实体，2。通过添加带有空地图的新转义模式来扩展jsoup的源代码。