1

我正在评估jsoup的功能，它可以清理（但不删除！）非白名单标签。假设只<b>允许使用标签，因此以下输入

foo <b>bar</b> <script onLoad='stealYourCookies();'>baz</script>

必须产生以下内容：

foo <b>bar</b> &lt;script onLoad='stealYourCookies();'&gt;baz&lt;/script&gt;

我看到 jsoup 存在以下问题/问题：

  • document.getAllElements()总是假设<html>和。是的，我可以打电话，但关键是我不知道我的来源是完整的 HTML 文档还是只是正文——我希望结果与它的形状和形式相同；<head><body>document.body().getAllElements()
  • 我该如何<script>...</script>替换&lt;script&gt;...&lt;/script&gt;？我只想用转义实体替换括号，不想更改任何属性等。Node.replaceWith这听起来有点矫枉过正。
  • 是否可以完全关闭漂亮的打印（例如插入新行等）？

或者也许我应该使用另一个框架？到目前为止，我已经查看了htmlcleaner，但给出的示例并不表明我想要的功能得到支持。

4

1 回答 1

5

答案 1

你如何Document用 Jsoup 加载/解析你的？如果你使用parse()or connect().get()jsoup 会自动格式化你的 html （插入html,body和head标签）。这可以确保您始终拥有完整的 Html 文档 - 即使输入不完整。

假设您只想清理输入（没有进一步处理），您应该使用clean()前面列出的方法。

示例 1 - 使用 parse()

final String html = "<b>a</b>";

System.out.println(Jsoup.parse(html));

输出：

<html>
 <head></head>
 <body>
  <b>a</b>
 </body>
</html>

输入html完成，以确保您拥有完整的文档。

示例 2 - 使用 clean()

final String html = "<b>a</b>";

System.out.println(Jsoup.clean("<b>a</b>", Whitelist.relaxed()));

输出：

<b>a</b>

输入 html 已清理，仅此而已。

文档：

答案 2

该方法replaceWith()完全符合您的需要：

例子：

final String html = "<b><script>your script here</script></b>";
Document doc = Jsoup.parse(html);

for( Element element : doc.select("script") )
{
    element.replaceWith(TextNode.createFromEncoded(element.toString(), null));
}

System.out.println(doc);

输出：

<html>
 <head></head>
 <body>
  <b>&lt;script&gt;your script here&lt;/script&gt;</b>
 </body>
</html>

或仅身体：

System.out.println(doc.body().html());

输出：

<b>&lt;script&gt;your script here&lt;/script&gt;</b>

文档：

答案 3

是的，这样做prettyPrint()的方法Jsoup.OutputSettings。

例子：

final String html = "<p>your html here</p>";

Document doc = Jsoup.parse(html);
doc.outputSettings().prettyPrint(false);

System.out.println(doc);

注意：如果outputSettings()方法不可用，请更新 Jsoup。

输出：

<html><head></head><body><p>your html here</p></body></html>

文档：

答案 4 （无项目符号）

不！Jsoup 是目前最好和最强大的Html 库之一！

于 2013-02-09T00:49:14.487 回答