java - 如何删除 Jsoup 中的 HTML 实体？

Question

如何使用 Jsoup 删除 HTML 实体？如果我使用 Element.toString()，我会得到：

(...)
       <td>Letter &oacute;</td> //valid: <td>Letter ó</td>
(...)

Answer 1

这可能与您的问题上下文无关，但如果您只想解码 HTML 实体而不对字符串进行任何其他更改（无标记处理、无注释剥离等），您可以使用org.jsoup.parser.Parser.unescapeEntities，例如：

assert Parser.unescapeEntities("x &asymp; <i>y</i>\n", true)
    .equals("x ≈ <i>y</i>\n");

Answer 2

我相信您可以在创建 Jsoup 文档时指定编码，如下所示：

Document newDocument = Jsoup.parse(htmlString, StringUtils.EMPTY, Parser.htmlParser());
newDocument.outputSettings().escapeMode(EscapeMode.base);
newDocument.outputSettings().charset(CharEncoding.UTF_8);