使用jsoup来转义不允许的标签

我正在评估jsoup的function，它将清理（但不删除！）非白名单标签。 假设只允许标签，所以输入如下

 foo bar baz 

必须产生以下结果：

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

我用jsoup看到以下问题/问题：

• document.getAllElements()始终采用 ， 和 。 是的，我可以调用document.body().getAllElements()但重点是我不知道我的源文件是完整的HTML文档还是只是正文 – 我希望结果的形状和forms与它进来了;
• 如何将...替换为<script>...</script> ？ 我只想用转义实体替换括号，并且不想改变任何属性等Node.replaceWith听起来像是一种矫枉过正。
• 是否可以完全关闭漂亮的打印（例如插入新线等）？

或许我应该使用另一个框架？ 到目前为止，我已经查看了htmlcleaner ，但是给出的示例并未建议我支持所需的function。

Answer 1

答案1

如何使用Jsoup加载/解析Document ？ 如果你使用parse()或connect().get() jsoup将自动格式化你的html（插入html ， body和head标签）。 这样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（无需处理），您应该使用clean()而不是之前列出的方法。

示例1 – 使用parse（）

 final String html = "a"; System.out.println(Jsoup.parse(html)); 

输出：

    a   

输入html已完成，以确保您拥有完整的文档。

示例2 – 使用clean（）

 final String html = "a"; System.out.println(Jsoup.clean("a", Whitelist.relaxed())); 

输出：

 a 

输入html被清理，而不是更多。

文档：

• Jsoup

---

答案2

方法replaceWith()完全符合您的需要：

例：

 final String html = ""; Document doc = Jsoup.parse(html); for( Element element : doc.select("script") ) { element.replaceWith(TextNode.createFromEncoded(element.toString(), null)); } System.out.println(doc); 

输出：

    <script>your script here</script>   

或仅限身体 ：

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

输出：

 <script>your script here</script> 

文档：

• Node.replaceWith（Node in）
• TextNode

---

答案3

是的， Jsoup.OutputSettings prettyPrint()方法Jsoup.OutputSettings做到这一点。

例：

 final String html = "
your html here
"; 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：

 
your html here 

文档：

• Document.OutputSettings.prettyPrint（boolean pretty）

---

答案4 （没有子弹）

没有！ Jsoup是最好的 ，最有能力的 Html库之一！