在解析 HTML 字符串时保留非 html 标记答案

【问题标题】：Preserve non-html tags while parsing the HTML string在解析 HTML 字符串时保留非 html 标记
【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：- "Test" 。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 "Test 1 s< a test test 1<,tasa>"

中转义

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How should <foo>this</foo> behave 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？

标签： java grails groovy jsoup gsp

【解决方案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()
             .collect{e-> 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How should <foo>this</foo> behave 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）