使用jsoup解析XML – 防止jsoup“清理”标记

在大多数情况下，使用jsoup解析XML没有问题。 但是，如果XML文档中有标记，jsoup会some text here将some text here更改为some text here 。 这使得无法使用CSS选择器在标记内提取文本。

那么如何防止jsoup“清理” 标签？

Answer 1

在jsoup 1.6.2中，我添加了一个XML解析器模式，它按原样解析输入，而不应用HTML5解析规则（元素，文档结构等的内容）。 此模式将文本保留在标记中，并允许其多个等。

这是一个例子：

 String xml = "OneTwo"; Document xmlDoc = Jsoup.parse(xml, "", Parser.xmlParser()); Elements links = xmlDoc.select("link"); System.out.println("Link text 1: " + links.get(0).text()); System.out.println("Link text 2: " + links.get(1).text()); 

返回：

 Link text 1: One Link text 2: Two 

Answer 2

不要在元素中存储任何文本 – 它是无效的。 如果您需要额外信息，请将其保留在HTML5 data-*属性中。 我确定jsoup不会碰它。

Answer 3

可以有一个解决方法。 在将XML传递给jsoup之前。 转换XML文件以替换所有带有虚拟标记的文件并执行您想要执行的操作。