Jsoup 去掉引号和撇号

【问题标题】：Jsoup removes quotes and apostrophesJsoup 去掉引号和撇号
【发布时间】：2023-03-06 18:48:01
【问题描述】：

我有类似的东西

Whitelist whitelist = new Whitelist();
whitelist.addTags("p", "i", "b", "em", "strong", "u");
String content = Jsoup.clean(data.html(), whitelist);

在我的代码中。但是 Jsoup 库删除了 " 和 '。我该如何防止这种情况发生。

例如=

天气晴朗。

结果 = 它？晴天。

【问题讨论】：

你能给出一个你传递给清理的示例html以及清理的结果吗？
被删除的引号在哪里？在 HTML 中，属性值的引号？
我猜你将不得不跳过引号。像“\”p\“”之类的东西。只是一个想法。

标签： java html-parsing jsoup

【解决方案1】：

您正在使用 data.html() 。这是 Element 类的 API 讲述的内容：Element API

Retrieves the element's inner HTML. E.g. on a <div> with one empty <p>, would return <p></p>. (Whereas Node.outerHtml() would return <div><p></p></div>.)

所以你应该使用方法 outerHtml() 代替：

String content = Jsoup.clean(data.outerHtml(), whitelist);

这里也是有用示例的另一个链接。该示例包含这两种方法，您可以看到区别：Jsoup Attribute text and HTML example

至于其他问题（引用变成问号），我认为这是编码和字符集的问题，因为它没有发生在我的电脑上。检查源 html 文件的编码，并尝试在 Jsoup 中使用匹配的字符集对其进行初始解析。

【讨论】：