解析时如何防止Jsoup擦除文本内的尖括号答案

【问题标题】：How to prevent Jsoup from erasing angle-brackets inside text when parsing解析时如何防止Jsoup擦除文本内的尖括号
【发布时间】：2016-11-27 01:26:48
【问题描述】：

我正在尝试仅解析包含尖括号作为文本一部分的 html 文档的文本。

例如，html 文件看起来像这样：

<html>
 <head></head> 
 <body> 
  <div>
    <p>1. <someUnicodeString></p> 
    <p>2. <foo 2012.12.26.></p> 
    <p>3. <123 2012.12.26.></p> 
    <p>4. <@ 2012.12.26.></p> 
    <p>5. foobarbar</p> 
  </div>
 </body>
</html>

我希望解析后的文本文件的结果是这样的：

1. <someUnicodeString> 
2. <foo 2012.12.26.> 
3. <123 2012.12.26.> 
4. <@ 2012.12.26.> 
5. foobarbar

我正在使用Jsoup的解析函数来实现这个，如下图所示，

Document doc = null;

try {
    doc = Jsoup.parse(new File(path), "UTF-8");
    doc.outputSettings(new Document.OutputSettings().prettyPrint(false));
    doc.outputSettings().escapeMode(EscapeMode.xhtml);

    //set line breaks in readable format
    doc.select("br").append("\\n");
    doc.select("p").prepend("\\n\\n");
    String bodyText = doc.body().html().replaceAll("\\\\n", "\n");
    bodyText = Jsoup.clean(bodyText, "", Whitelist.none(), new Document.OutputSettings().prettyPrint(false));

    File f = new File(textFileName+".txt");
    f.getParentFile().mkdirs();
    PrintWriter writer = new PrintWriter(f, "UTF-8");
    writer.print(Parser.unescapeEntities(bodyText, false));
    writer.close();
} catch(IOException e) {
    //Do something
    e.printStackTrace();
}

但是，一旦 Jsoup 完成解析过程，它会为每个尖括号添加标签，后跟字符。

<p>1. <someUnicodeString></someUnicodeString></p> 
<p>2. <foo 2012.12.26.></foo></p> 
<p>3. <123 2012.12.26.></p> 
<p>4. <@ 2012.12.26.></p> 
<p>5. foobarbar</p>

最终产生结果

1.  
2.  
3. <123 2012.12.26.> 
4. <@ 2012.12.26.> 
5. asdasd

如何防止 Jsoup 在解析时擦除文本中的尖括号？

或者有没有办法让 Jsoup 识别某些尖括号不是 html 元素？（也许使用正则表达式？）

我是 Jsoup 的新手，非常感谢任何形式的帮助。谢谢。

【问题讨论】：

您的 HTML 似乎无效。请看this answer。
感谢您的评论！我想一个好的开始是遍历元素并将文本中的“

标签： java html jsoup

【解决方案1】：

感谢 Davide Pastore 的评论和问题“Right angle bracket in HTML”

我能够使用以下代码解决问题。

doc = Jsoup.parse(new File(path), "UTF-8");
//replace all left-angle tags inside <p> element to "&lt;"
Elements pTags = doc.select("p");
for (Element tag : pTags) {
    //change the boundary of the regex to whatever suits you
    if (tag.html().matches("(.*)<[a-z](.*)")) {
        String innerHTML = tag.html().replaceAll("<(?=[a-z])", "&lt;");
        tag.html(innerHTML);
    }
}

如果您在开始解析之前将文本中的“<，您将能够获得正确的输出。

【讨论】：