Jsoup中的新行字符处理

Question

当使用JSoup解析html时，如果文本字符串中有新行字符，它会将其视为不存在。考虑：由于一个新行字符，此文本字符串将在此处换行。但是当JSoup解析这个字符串时，它返回，这个文本字符串将因为一个新行字符而被压缩。请注意，换行符甚至不会变成空格。我只想把它和一个空格一起退回。这是节点中的文本。我在stackoverflow上见过其他解决方案，人们希望或不希望在标记后换行。那不是我想要的。我只是想知道是否可以修改parse函数以返回不忽略新行字符。




Answer 1

我想出来了。我从url获取html时出错。我使用的方法是：

public static String getUrl(String url) {
    URL urlObj = null;
    try{
        urlObj = new URL(url);
    }
    catch(MalformedURLException e) {
        System.out.println("The url was malformed!");
        return "";
    }
    URLConnection urlCon = null;
    BufferedReader in = null;
    String outputText = "";
    try{
        urlCon = urlObj.openConnection();
        in = new BufferedReader(new InputStreamReader(urlCon.getInputStream()));
        String line = "";
        while((line = in.readLine()) != null){
            outputText += line;
        }
        in.close();
    }
    catch(IOException e){
        System.out.println("There was an error connecting to the URL");
        return "no";
        }
    return outputText;
}

当我本应使用以下内容时：

public static String getUrl(String url) {
    URL urlObj = null;
    try{
        urlObj = new URL(url);
    }
    catch(MalformedURLException e) {
        System.out.println("The url was malformed!");
        return "";
    }
    URLConnection urlCon = null;
    BufferedReader in = null;
    String outputText = "";
    try{
        urlCon = urlObj.openConnection();
        in = new BufferedReader(new InputStreamReader(urlCon.getInputStream()));
        String line = "";
        while((line = in.readLine()) != null){
            outputText += line + "/n";
        }
        in.close();
    }
    catch(IOException e){
        System.out.println("There was an error connecting to the URL");
        return "no";
        }
    return outputText;
}

这个问题与JSoup无关。我想我会在这里注意到它，因为我从Ryan MitchellJava的即时网络抓取中复制了这段代码，任何遵循本教程的人都可能有同样的问题。

Answer 2

您能尝试一下吗，getWholeText基于这里的答案：防止Jsoup丢弃额外的空格

/**
 * @param cell element that contains whitespace formatting
 * @return
 */
public static String getText(Element cell) {
    String text = null;
    List<Node> childNodes = cell.childNodes();
    if (childNodes.size() > 0) {
        Node childNode = childNodes.get(0);
        if (childNode instanceof TextNode) {
            text = ((TextNode)childNode).getWholeText();
        }
    }
    if (text == null) {
        text = cell.text();
    }
    return text;
}