在HtmlCleaner中处理特殊实体，如& nbsp；，& pound；

Question

我正在使用HtmlCleaner库来提取html内容。它工作正常，但几乎没有限制。

它不能处理像or或引号之类的特殊字符。对于url：http://www.basicelegancefurnishings.co.uk/alaska-3-and-2-seater-sofa-setspan-classukmadespan-p-280.html，在将xpath赋给价格时，它给出了"& pound;“而不是£

是否有任何属性，我们可以设置在htmlcleaner来处理这个或任何其他解决方案。

谢谢

Jitendra

Answer 1

不我不相信HtmlCleaner能做到这一点。但是，您可以使用Apache Commons StringEscapeUtils对html进行“取消转义”，如下所示：

StringEscapeUtils.unescapeHtml("£679.00");

将生成£679.00。

我建议你试试JSoup，而不是HtmlCleaner。

Answer 2

我使用的htmlcleaner版本是2.2，org.htmlcleaner.CleanerProperties - setTransSpecialEntitiesToNCR(true)对我很有用。虽然我必须使用string.replace(" ", " ")来使我得到的html内容是完全正确的。

Answer 3

这现在可以通过org.htmlcleaner.CleanerProperties - setTransSpecialEntitiesToNCR(true)来完成。