Jsoup中属性值的字符集

Question

我使用Jsoup，并且我需要以ascii编码获取html文档中所有标记的属性值，保持它们的原样，而不转换它们。

因此，我有以下html文档

<!DOCTYPE html>
<head>
    <meta charset="ascii">        
</head>
<body>
    <div title="2 &gt; 1, 1 > 0, &agrave; vs &egrave;">
        3 &gt; 2,  1 > 0
    </div>
</body>

我想通过Jsoup来解析它。

我需要准确地提取title属性的值：2 > 1, 1 > 0, à vs è。

我创建了一个Document对象doc，如下所示(它是用Kotlin编写的，但我认为它在这里并不重要)：

val charset = Charset.forName("ascii")
val doc = Jsoup.parse(File("test.html").readText(charset))
doc.outputSettings().charset(charset)

当我通过以下方式打印文档时

println(doc.toString())

我得到了以下字符串

<!doctype html>
<html>
 <head> 
  <meta charset="ascii"> 
 </head> 
 <body> 
  <div title="2 > 1, 1 > 0, &agrave; vs &egrave;">
    3 &gt; 2 
  </div> 
 </body>
</html>

它与文件内容的不同之处在于title属性值(>在字符串"2 > 1"中转换为> )，而文档的其余部分是OK的。

然后，检查属性值

 doc.body().select("div").forEach { div -> println("title = ${div.attr("title")}") }

生成以下字符串

title = 2 > 1, 1 > 0, à vs è

注意，à和è被转换为à和è。

我的问题是:在Jsoup中，如何获得html标记的属性值，而不改变它们在输入文件中的编写方式？

在上面的示例中，我需要获取字符串"2 > 1, 1 > 0, à vs è" (因为它写在输入文件中)，而不是"2 > 1, 1 > 0, à vs è" niether "2 > 1, 1 > 0, à vs è"。

Answer 1

attr()方法返回一个没有HTML实体的字符串，而我找不到保留HTML实体的方法。但是，您可以使用Jsoup.clean()方法将字符串中的字符转换为实体。

val charset = Charset.forName("ascii")
val doc = Jsoup.parse(File("test.html").readText(charset))
doc.body().select("div").forEach { div ->
    val title = Jsoup.clean("${div.attr("title")}", "", Whitelist.none(), Document.OutputSettings().charset(charset))
    println("title = $title")
}

结果是：

title = 2 > 1, à vs è

当然，对于您的用例来说，这可能不是一个好的解决方案。