jSoup如何将匹配某些类模式的标签列入白名单？答案

【问题标题】：jSoup How to Whitelist tags matching certain class patterns?jSoup如何将匹配某些类模式的标签列入白名单？
【发布时间】：2016-07-07 16:24:56
【问题描述】：

我使用白名单如下：

           Document doc = Jsoup.parse(urls[0], 5000);
            if (doc != null){

                Whitelist wl = Whitelist.basicWithImages();
                // wl.preserveRelativeLinks(false);
                Cleaner cleaner = new Cleaner(wl);
                cleanedDoc=cleaner.clean(doc);
                if (cleanedDoc != null){
                   whiteListedHtml = cleanedDoc.html();
                }
            }
        }catch(IOException e){
           Log.d(TAG,"exception="+e.getMessage());
        }

现在这与我想做的非常接近，除了：有类具有“nav”或“ad”的 div 标签正在填充页面垃圾。例如，我想保留 div 标签，但如果类碰巧出现“导航”或“广告”，则不保留。

这让我想到了子类化白名单...... RTFM http://jsoup.org/apidocs/org/jsoup/safety/Whitelist.html 我明白了 addTag() 和 removeTag() （不知何故 removeTag() 不可用，但那是另一个问题）。我真正想要做的是当且仅当标签的类在字符串中包含某些值（例如“广告”或“导航”）时才删除。唯一看起来有希望的方法是：

protected boolean isSafeTag(String tag)

Test if the supplied tag is allowed by this whitelist

Parameters:
    tag - test tag 
Returns:
    true if allowed

那么如何提取这个字符串的类值进行测试呢？无论如何都可以在不子类化白名单的情况下进行此检查？

【问题讨论】：

标签： jsoup

【解决方案1】：

您可以做的一件事是手动删除像<div class='ad'> 这样的标签。首先，将div 标签添加到您的白名单中（否则清洁工将删除它们）

 Whitelist wl = Whitelist
     .basicWithImages()
     .addTags("div");

然后，选择您要删除的所有元素，然后...只需删除它们^^

doc
    .select("div[class=\"nav\"]")
    .forEach(e -> e.remove());

（您也可以使用通配符 - 请参阅 selector-syntax）

然后像你一样清理文档。

注意：你也可以反过来做 - 先清理，然后删除

【讨论】：