java - JSoup 不翻译 html 链接中的 & 符号

Question

在 JSoup 中，以下测试用例应该通过，但没有。

@Test
public void shouldPrintHrefCorrectly(){
    String content=  "<li><a href=\"#\">Good</a><ul><li><a href=\"article.php?boid=1865&sid=53&mid=1\">" +
            "Boss</a></li><li><a href=\"article.php?boid=186&sid=53&mid=1\">" +
            "heavent</a></li><li><a href=\"article.php?boid=167&sid=53&mid=1\">" +
            "hellos</a></li><li><a href=\"article.php?boid=181&sid=53&mid=1\">" +
            "Mr.Jackson!</a></li>";

    Document document = Jsoup.parse(content, "http://www.google.co.in/");
    Elements links = document.select("a[href^=article]");
    Iterator<Element> iterator = links.iterator();
    List<String> urls = new ArrayList<String>();
    while(iterator.hasNext()){
        urls.add(iterator.next().attr("href"));
    }

    Assert.assertTrue(urls.contains("article.php?boid=181&sid=53&mid=1"));
}

你们中的任何人都可以告诉我失败的原因吗？

Answer 1

存在三个问题:

1. 您断言存在一个 bovikatanid 参数，而它实际上称为 boid。

2. HTML 源代码在源代码中使用 & 而不是 &。这在技术上是无效的。

3. Jsoup 正在将 &mid 解析为 | 。它应该一直扫描到 ;。

要解决第一个问题，您必须自己解决。要修复#2，您必须向相关服务器管理员报告此问题(但是，这是他们的错，因为普通浏览器对此很宽容，我想 Google 这样做是为了节省带宽)。为了修复 #3，我报告了 an issue向 Jsoup 的人询问他对此有何看法。

<小时/>

更新:看，乔纳森(Jsoup 的人)已经修复了它。它将在下一个版本中出现。