java在安卓中使用jsoup删除html实体

Question

我使用jsoup来抓取HTML。我在从以下类型的html标记中提取信息时遇到问题：

<span class="some">&#8237;&#8237;78&#8236;&#8236;</span>

应该只是

<span class="some">78‬‬</span>

如何从字符串中删除HTML实体

Answer 1

我不熟悉jsoup，但如果它是一个“正常”的HTMLDOM解析器，返回一个“标准”的HTMLDOM，那么你想要的就不可能了。问题是，一旦构建了DOM，它就无法区分正常编码的字符和表示为实体的字符

例如：<span>A</span>和<span>&#65;</span>被认为是完全相同的，在DOM中一次也无法区分——这两个元素都是span元素，包含一个带有文本A的文本节点

因此，您可以在所有文本节点上循环搜索并替换这些字符（而不是实体）：

void removeInvalidChars(Element element) {
  for (Node child : element.childNodes()) {
    if (child instanceof TextNode) {
      TextNode textNode = (TexNode) child;
      textNode.text( textNode.text().replaceAll("\u202C", "").replaceAll("\u202D", "") );
      // 202C and 202D are the hex codes for the decimal values 8236 and 8237
    } else if (child instanceof Element) {
       removeInvalidChars((Element) child);
    }
  }
}

如果需要区分原始字符和实体，则需要使用不同的非DOM（例如基于事件的）HTML解析器