Jsoup 白名单：解析非英文字符

Question

我正在尝试使用Jsoup 清理 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) 清理文本：

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

正在打印：

Á example link.

我的问题是，我怎样才能得到文字

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)。

任何信息都会对我很有帮助。

谢谢。

Answer 1

在当前版本（1.6.1）中不可能，jsoup print Á as Á 因为实体转义功能，现在没有“不转义”模式（检查Entities.EscapeMode）。

您可以 1. 取消转义这些 HTML 实体，2. 通过添加带有空映射的新转义模式来扩展 jsoup 的源代码。