使用 jsoup 解析保留非 HTML 元素

Question

我是 jsoup 的新手，在使用非 HTML 元素（脚本）时遇到了一些困难。我有以下 HTML:

<$if not dcSnippet$>
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="generator" content="Outside In HTML Converter version 8.4.0"/>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
<title></title>
</head>

<$endif$>
<div style="position:relative">
<p style="text-align: left; font-family: times; font-size: 10pt; font-weight: normal; font-style: normal; text-decoration: none"><span style="font-weight: normal; font-style: normal">This is a test document.</span></p>
</div>
<$if not dcSnippet$>
</body>
</html>
<$endif$>

用于显示此内容的应用程序知道如何处理那些等语句。因此，当我简单地使用 jsoup 解析文本时，< 和 > 被编码并且 html 被重新组织，因此它无法正确执行或显示。像这样：

<html xmlns="http://www.w3.org/1999/xhtml"><head></head><body>&lt;$if not dcSnippet$&gt;
<meta http-equiv="generator" content="Outside In HTML Converter version 8.4.0">
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
<title></title>
&lt;$endif$&gt;
<div style="position:relative">
<p style="text-align: left; font-family: times; font-size: 10pt; font-weight: normal; font-style: normal; text-decoration: none"><span style="font-weight: normal; font-style: normal">This is a test document.</span></p>
</div>
&lt;$if not dcSnippet$&gt;
&lt;$endif$&gt;
</body></html>

我的最终目标是添加一些 css 和 js 包含，并修改几个元素属性。这不是真正的问题，我已经解决了很多问题。问题是我不知道如何保留非 HTML 元素并将格式保持在与原始元素相同的位置。到目前为止，我的解决方案是这样的：

读入 HTML 文件，遍历它，删除包含非 html 元素的行。
使用纯 HTML
进行我的修改
返回 HTML 并重新插入我首先删除的非 HTML 元素（脚本）。
将文档保存到文件系统

只要非 HTML 的位置是可预测的，现在就可以使用，到目前为止是这样。但我想知道是否有更好的方法来做到这一点，这样我就不必先 'clean' 和 HTML ，然后手动重新引入我稍后删除的内容。这是我的代码的要点（希望我没有错过太多声明）：

String newLine();
FileReader fr = new FileReader(inputFile);
BufferedReader br = new BufferedReader(fr);
while ((thisLine = br.readLine()) != null) {
    if (thisLine.matches(".*<\$if.*\$>")) {
        ifStatement = thisLine + "\n";
    } else if (thisLine.matches(".*<\$endif\$>")) {
        endifStatement = thisLine + "\n";
    } else { 
        tempHtml += thisLine + "\n";
    }
}
br.close();

Document doc = Jsoup.parse(tempHtml, "UTF-8");
doc.outputSettings().prettyPrint(false).escapeMode(EscapeMode.extended);

Element head = doc.head();
Element body = doc.body();
Element firstDiv = body.select("div").first();

[... perform my element and attribute inserts ...]

body.prependText("\n" + endifStatement);
body.appendText("\n" + ifStatement);
String fullHtml = (ifStatement + doc.toString().replaceAll("\&lt;", "<").replaceAll("\&gt;", ">") + "\n" + endifStatement);

BufferedWriter htmlWriter = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(outputFile), "UTF-8"));
htmlWriter.write(fullHtml);
htmlWriter.flush();
htmlWriter.close();

非常感谢您的帮助或意见！

Answer 1

The problem is I don't know how to preserve the non-HTML elements and keep the formatting in the same place as the original.

Jsoup 是一个 HTML 解析器。你给它的 "HTML file" 不包含 HTML。它更像是一个用 HTML 类语言编写的模板文件。

因此，Jsoup 最多会将此 模板文件 视为无效的 HTML 文件。这就是为什么所有非 HTML 元素都被转义的原因。

要实现您的需要，您必须编写自定义模板解析器。 Jsoup 确实提供了一些通用类，可以使这项任务变得非常简单。

但是，根据设计，这些通用类仅供内部使用。

这给我们留下了四个选择：

你的实际解决方案
用纯 HTML
发送 issue 给 Jsoup 团队
请求创建自定义解析器的能力
编写一个更健壮的自定义解析器
这是一个重新发明轮子的解决方案 IMO
更改（如果可行）您当前的模板语言
例如检查mustache, Thymyleaf

使用 jsoup 解析保留非 HTML 元素

Preserve non-HTML elements with jsoup parse

java

html

jsoup

webcenter