如何防止Jsoup在解析文本时擦除文本中的尖括号
我试图只解析包含尖括号作为文本一部分的html文档的文本。
例如,html文件看起来如下所示：
<html>
<head></head>
<body>
<div>
<p>1. <someUnicodeString></p>
<p>2. <foo 2012.12.26.></p>
<p>3. <123 2012.12.26.></p>
<p>4. <@ 2012.12.26.></p>
<p>5. foobarbar</p>
</div>
</body>
</html>
我希望解析的文本文件的结果如下所示：
1. <someUnicodeString>
2. <foo 2012.12.26.>
3. <123 2012.12.26.>
4. <@ 2012.12.26.>
5. foobarbar
我使用JSOUP的解析函数来实现这一点,如下所示,
Document doc = null;
try {
doc = Jsoup.parse(new File(path), "UTF-8");
doc.outputSettings(new Document.OutputSettings().prettyPrint(false));
doc.outputSettings().escapeMode(EscapeMode.xhtml);
//set line breaks in readable format
doc.select("br").append("\\n");
doc.select("p").prepend("\\n\\n");
String bodyText = doc.body().html().replaceAll("\\\\n", "\n");
bodyText = Jsoup.clean(bodyText, "", Whitelist.none(), new Document.OutputSettings().prettyPrint(false));
File f = new File(textFileName+".txt");
f.getParentFile().mkdirs();
PrintWriter writer = new PrintWriter(f, "UTF-8");
writer.print(Parser.unescapeEntities(bodyText, false));
writer.close();
} catch(IOException e) {
//Do something
e.printStackTrace();
}
但是，一旦Jsoup完成解析过程，它就会为每个尖括号添加标记，后面跟字符。
<p>1. <someUnicodeString></someUnicodeString></p>
<p>2. <foo 2012.12.26.></foo></p>
<p>3. <123 2012.12.26.></p>
<p>4. <@ 2012.12.26.></p>
<p>5. foobarbar</p>
最终产生结果
1.
2.
3. <123 2012.12.26.>
4. <@ 2012.12.26.>
5. asdasd
如何防止Jsoup在解析文本时擦除文本中的尖括号？
或者是否有一种方法使Jsoup识别某些尖括号不是html元素？（可能使用正则表达式？）
我是新加入Jsoup的，非常感谢任何形式的帮助。谢谢.
共有1个答案
感谢Davide Pastore的评论，以及“HTML中的右尖括号”问题
我能够用下面的代码解决这个问题。
doc = Jsoup.parse(new File(path), "UTF-8");
//replace all left-angle tags inside <p> element to "<"
Elements pTags = doc.select("p");
for (Element tag : pTags) {
//change the boundary of the regex to whatever suits you
if (tag.html().matches("(.*)<[a-z](.*)")) {
String innerHTML = tag.html().replaceAll("<(?=[a-z])", "<");
tag.html(innerHTML);
}
}
如果您在开始解析之前完成将文本中的“<”转换为<的过程，您将能够获得正确的输出。
-
问题内容： 我有要在Python中删除的文本文件。我怎么做？ 问题答案： 在python中： 或者，如果您已经打开了文件： 在C ++中，您可以使用类似的东西。
-
问题内容： 在大多数情况下，使用jsoup解析XML都没有问题。但是，如果有XML文档中的标签，jsoup将改变到。这样就无法使用CSS选择器提取标签内的文本。 那么如何防止jsoup“清除” 标签呢？ 问题答案： 在jsoup 1.6.2中， 我添加了XML解析器模式，该模式可以按原样解析输入，而无需应用HTML5解析规则（元素内容，文档结构等）。此模式将文本保留在标签中，并允许其倍数等。 这是
-
我试图用Jsoup解析Javadocs，但提取标记中包装的文本时遇到问题。 下面是我试图解析的HTML示例： 我试图使用这段代码来解析标签中包含的文本： 然而，无论我尝试什么，包含在标签中的文本都会消失。 以下是我得到的输出示例： 这就像是JSoup只是把任何包裹在标签中的东西丢弃。有人知道如何保留这些标签并从中提取文本吗？
-
问题内容： 如果你这样做 然后，当您看着时，您就会得到。（很公平。） 如果这样做，您会得到。 基本上，我正在寻找一种将其转换为string的方法。 显然，在现实生活中，我无法控制JSON输入，而是从Web服务获取JSON …我想使用浏览器的JSON解析器解析JSON，并能够识别数字值和。 除了手动读取JSON字符串外，还有什么方法可以做到这一点？在这种情况下，这实际上是不可能的，为了提高速度，我需
-
我正在写一个小程序，可以处理大的（最多无限个）文本文件。处理过程将相当简单（将部分内容修剪并处理成单独的字符串，然后打印出来）。然而，由于数据的长度可能是无限的，我可能会遇到超过堆的问题。我想到的第一个解决方案是使用流来处理数据。然而，Files类中的lines（）方法只能将文本分成行。我的线条也可以无限长！ 我遇到的另一个解决方案是使用scanner useDelimiter方法： 这种方法会阻
-
问题内容： 我有 JTextField 显示文件名。如果文件无效，我想 删除 文本。怎么办呢？我尝试了html，但没有运气。 问题答案： 我敢肯定，除了设置字体外，您无法在中设置文本的样式。我认为您要么必须创建自己的支持样式的子类，要么创建一个并将其设置为类似的行为。 这里有一些很好的文档：http : //download.oracle.com/javase/tutorial/uiswing/c