使用jsoup解析XML -防止jsoup“清理”<link>标签

Question

在大多数情况下，使用jsoup解析XML都没有问题。但是，如果XML文档中有<link>标记，jsoup会将<link>some text here</link>更改为<link />some text here。这使得无法使用CSS选择器提取<link>标记内的文本。

那么如何防止jsoup“清理”<link>标签呢？

Answer 1

在jsoup 1.6.2中，我添加了一种XML解析器模式，它按原样解析输入，而不应用HTML5解析规则(元素内容、文档结构等)。此模式将文本保留在<link>标记中，并允许文本的倍数，等等。

下面是一个例子：

String xml = "<link>One</link><link>Two</link>";
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<link>元素中存储任何文本-它是无效的。如果您需要额外的信息，请将其保留在HTML5 data-*属性中。我肯定jsoup不会碰它的。

<link rel="..." data-city="Warsaw" />

Answer 3

可以有一个解决方法来解决这个问题。在将XML传递给jsoup之前。转换XML文件来替换所有的一些虚拟标签，说，并做你想做的事情。