java - Jsoup.clean 不添加 html 实体

Question

我正在清除不需要的 HTML 标记(例如 <script>)中的一些文本，方法是使用

String clean = Jsoup.clean(someInput, Whitelist.basicWithImages());

问题在于它替换了例如 å与 å (这给我带来了麻烦，因为它不是“纯 xml”)。

例如

Jsoup.clean("hello å <script></script> world", Whitelist.basicWithImages())

产量

"hello å  world"

但我愿意

"hello å  world"

有没有简单的方法来实现这一点？ (即，比在结果中将 å 转换回 å 更简单。)

Answer 1

您可以配置 Jsoup 的转义模式:使用 EscapeMode.xhtml 将为您提供不带实体的输出。

这是一个完整的片段，它接受 str 作为输入，并使用 Whitelist.simpleText() 对其进行清理:

// Parse str into a Document
Document doc = Jsoup.parse(str);

// Clean the document.
doc = new Cleaner(Whitelist.simpleText()).clean(doc);

// Adjust escape mode
doc.outputSettings().escapeMode(EscapeMode.xhtml);

// Get back the string of the body.
str = doc.body().html();