jsoup - 阻止 jsoup 将引号插入 &答案

【问题标题】：jsoup - stop jsoup from making quotes into &jsoup - 阻止 jsoup 将引号插入 &
【发布时间】：2014-06-10 15:49:40
【问题描述】：

当我解析本地 HTML 文件时，jsoup 将锚元素内的引号更改为 & 模糊我的 HTML。

假设我想在以下 HTML 部分中将值“一”更改为“二”：

<div class="pg2-txt1">
  <a class="foo" appareantly_a_javascript_statement='{"targetId":"pg1-magn1", "ordinal":1}'>one</a>
</div>

我得到的是：

<div class="pg2-txt1">
  <a class="foo" appareantly_a_javascript_statement="{&quot;targetId&quot;:&quot;pg1-magn1&quot;, &quot;ordinal&quot;:1}">two</a>
</div>

锚元素内的引号是必需的。我的代码现在看起来像这样：

File input = new File("D:/javatest/page02.html");
Document doc = Jsoup.parse(input, "UTF-8");
Element div = doc.select("div.pg2-txt1").first(); //anchor element only identifyable by parent <div> class
div.child(0).text("one"); //actual anchor element

我试过了

doc.outputSettings().prettyPrint(false);

没有成功。

我可以用 jsoup 实现吗？我是否必须使用不同的解析器，它会是什么样子。

非常感谢您。

【问题讨论】：

标签： jsoup autoformatting

【解决方案1】：

根据html spec JSoup 的行为完全正常：

默认情况下，SGML 要求所有属性值都使用双引号（ASCII 十进制 34）或单引号标记（ASCII 十进制 39）。单引号可以包含在当值由双引号分隔时的属性值，反之亦然。作者也可以使用数字字符引用表示双引号 (") 和单引号 (')。对于双引号引号作者也可以使用字符实体引用&quot;

注意最后一句话！

基本上这意味着，您的其他需要在appareantly_a_javascript_statement 属性中使用双引号的软件正在对其值进行一些不完整的解析。

我看到了两种解决方案：

1) 修改解释appareantly_a_javascript_statement 值的函数

我无法帮助你，因为我不知道它在哪里完成。

2）通过正则表达式更改Jsoup输出。

这很 hacky...

String html = doc.outerHtml();
boolean changed = false;
html = html.replaceAll("(=\"\\{)([^\"]+)(\")", "='{$2'");
do{
    int oldLength = html.length();  
    html = html.replaceAll("(=')([^']+)(\\&quot;)([^\']+)(')", "$1$2\"$4$5");
    changed = html.length() != oldLength;
}while(changed);
System.out.print(html);

【讨论】：