Jsoup.clean 不添加 html 实体答案

【问题标题】：Jsoup.clean without adding html entitiesJsoup.clean 不添加 html 实体
【发布时间】：2012-01-30 18:23:20
【问题描述】：

我正在使用清除不需要的 HTML 标记（例如 <script>）中的一些文本

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

问题在于它用&aring; 替换了例如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 &aring;  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&aring; 转换回å 更简单。）

【问题讨论】：

标签： java html jsoup html-entities

【解决方案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 sn-p，它接受 str 作为输入，并使用 Whitelist.simpleText() 清理它：

// 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();

【讨论】：

注意：不要直接与Cleaner object交互，而是在Jsoup中使用clean methods。

【解决方案2】：

Jsoup 的网站上已经有功能请求。您可以通过添加新的空 Map 和新的转义类型来自己扩展源代码。如果您不想这样做，可以使用 apache commons 中的 StringEscapeUtils。

public static String getTextOnlyFromHtmlText(String htmlText){
    Document doc = Jsoup.parse( htmlText );
    doc.outputSettings().charset("UTF-8");
    htmlText = Jsoup.clean( doc.body().html(), Whitelist.simpleText() );
    htmlText = StringEscapeUtils.unescapeHtml(htmlText);
    return htmlText;
}

【讨论】：

StringEscapeUtils 方法 Frank 的优点。非常有用，不仅在这种情况下
@frandevel 这将是一个非常糟糕的主意。如果输入的是&lt;script&gt;alert('Hello');&lt;/script&gt;，你实际上会注入不安全的HTML并允许XSS攻击。
这个功能现在已经在 Jsoup 中实现了。请参阅 Parser.unescapeEntities，jsoup.org/apidocs/org/jsoup/parser/Parser.html
@GuillaumePolet 有趣的一点，那么你如何清理像这样&lt;script&gt;alert('Hello');&lt;/script&gt; 的输入？

【解决方案3】：

&bmoc 的回答工作正常，但您可以使用更短的解决方案：

// Clean html
Jsoup.clean(someInput, "yourBaseUriOrEmpty", Whitelist.simpleText(), new OutputSettings().escapeMode(EscapeMode.xhtml))

【讨论】：

【解决方案4】：

更简单的方法是

// clean the html
String output = Jsoup.clean(html, Whitelist.basicWithImages());

// Parse string into a document
Document doc = Jsoup.parse(output);

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

// Get back the string
System.out.println(doc.body().html());

我已经测试过了，它可以工作

【讨论】：

【解决方案5】：

接受的答案是使用Jsoup.parse，在快速浏览源代码后，它似乎比Jsoup.clean 中发生的事情更重要。

我复制了Jsoup.clean(...)的源代码并添加了设置转义模式的行。这应该避免 parse 方法完成一些不必要的步骤，因为它不必解析整个 html 文档而只需处理一个片段。

private String clean(String html, Whitelist whitelist) {
    Document dirty = Jsoup.parseBodyFragment(html, "");
    Cleaner cleaner = new Cleaner(whitelist);
    Document clean = cleaner.clean(dirty);
    clean.outputSettings().escapeMode(EscapeMode.xhtml);
    return clean.body().html();
}

【讨论】：

【解决方案6】：

简单的方法：

EscapeMode em = EscapeMode.xhtml;
em.getMap().clear();

doc.outputSettings().escapeMode(em);

这将删除 ALL html 实体，包括：'、"、&、。EscapeMode.xhtml 允许这些实体。

【讨论】：

【解决方案7】：

将 HTML 解析为 Document，然后使用 Cleaner 清理文档并生成另一个，获取文档的 outputSettings 并将相应的字符集和转义模式设置为 xhtml，然后将文档转换为 String。未经测试，但应该可以工作。

【讨论】：