在解析 HTML 字符串时保留非 html 标记
Posted
技术标签:
【中文标题】在解析 HTML 字符串时保留非 html 标记【英文标题】：Preserve non-html tags while parsing the HTML string 【发布时间】：2021-07-08 15:20:48 【问题描述】：我一直在一个项目中工作，用户需要功能来解析保存在数据库中的 html 数据。我使用 <div> 和 JSOUP 将值解析为 HTML，例如：- <b>"Test"</b> 。它可以正常显示 - "Test" 该特定 HTML 格式的文本。但是当标签内的文本被删除时，问题就出现了。例如，当我有尖括号 时，文本会从 JSOUP <b>"Test 1 s< a test test 1<,tasa>"</b>
我得到结果
" 测试 1 秒
其他文本被删除。我需要显示整个
"Test 1 s".
任何帮助将不胜感激。
这是我的代码
def html = URLDecoder.decode(testValue.getAt('Test').replaceAll("%(?![0-9a-fA-F]2)", "%25"),"UTF-8")
Jsoup.clean(html, Whitelist.basic())
【问题讨论】：
要求并不完全清楚。你想如何处理像<b>How should <foo>this</foo> behave</b> 这样的事情？
根据html规则&lt;如果是文本而不是标签的开头，则必须表示为&lt;
@JeffScottBrown 简而言之，我希望在 html 解析期间避免使用非 html 标签。如果未在白名单中提及，Jsoup 功能似乎正在删除任何出现的标签。如果在 jsoup 中有任何其他这样的属性，那就太好了，但是我找不到任何这样的方法，如果我得到任何这样的方法来解析唯一的 html 标签，避免使用尖括号等其他非 html 标签，那将非常有帮助.
@daggett 是的，但是使用正则表达式来替换所有此类事件似乎非常烦人和错误。
你想用 replaceAll 做什么？
【参考方案1】：
已更新根据 cmets 支持一级嵌套元素
要支持递归嵌套元素，必须审查代码
时髦的：
@Grab(group='org.jsoup', module='jsoup', version='1.11.3')
import org.jsoup.Jsoup
import org.jsoup.nodes.Document
import org.jsoup.nodes.TextNode
def html = '''
<html>
<title>my title</title>
<body>
<b>Test 1 s< a test test 1<,tasa> <foo>this</foo> zzz</b>
</body>
</html>'''
Document doc = Jsoup.parse(html)
def txt = doc.select('html body b').first()?.childNodes()
.collecte-> e instanceof TextNode ? e.text() : e.toString() .join()
println txt
打印
Test 1 s< a test test 1<,tasa> <foo>
this
</foo> zzz
【讨论】：
在上面的评论中，@noobCoder 表示他们希望防止<foo> 被<b>How should <foo>this</foo> behave</b> 之类的输入擦除。上面的解决方案没有考虑到这一点。
仅供参考...自从我留下之前的评论后，此答案已更改。
正确。喜欢问题下的评论）
“对。就像问题下的评论” - 我的评论是为了后来读者的利益，因为我的声明因编辑而变得不正确。我不是在批评编辑。
更新了答案以明确。我希望人们明白这个世界上的一切都是不同步的）以上是关于在解析 HTML 字符串时保留非 html 标记的主要内容，如果未能解决你的问题，请参考以下文章