Jsoup 有特殊 HTML 符号的问题，' - 等

Question

我有一些 HTML（字符串），我通过 Jsoup 输入，这样我就可以向所有 href 和 src 属性添加一些东西，效果很好。但是，我注意到对于一些特殊的 HTML 字符，Jsoup 将它们从 “ 转换为实际字符 “。我输出前后的值，我看到了变化。

之前：

THIS — IS A “TEST”. 5 > 4. trademark: ™

之后：

THIS — IS A “TEST”. 5 > 4. trademark: ?

这到底是怎么回事？在任何 Jsoup 内容之前，我专门将这些特殊字符转换为它们的 HTML 实体以避免这种情况。引号变为实际的引号字符，大于保持不变，商标变为问号。啊啊啊。

仅供参考，我的 Jsoup 代码正在执行：

Document document = Jsoup.parse(fileHtmlStr);
//some stuff
String modifiedFileHtmlStr = document.html();

感谢您的帮助！

Answer 1

下面的代码将给出类似于输入标记。它改变了特定字符的转义模式，并为不支持 Unicode 的系统设置了 ASCII 模式来转义 TM 符号。

输出：

<p>THIS &mdash; IS A &ldquo;TEST&rdquor;&period; 5 &gt; 4&period; trademark&colon; &#x99;</p>

代码：

Document doc = Jsoup.parse("" +
    "<p>THIS &mdash; IS A &ldquo;TEST&rdquo;. 5 &gt; 4. trademark: &#153;</p>");

Document.OutputSettings settings = doc.outputSettings();

settings.prettyPrint(false);
settings.escapeMode(Entities.EscapeMode.extended);
settings.charset("ASCII");

String modifiedFileHtmlStr = doc.html();

System.out.println(modifiedFileHtmlStr);