jsoup -)

Question

当我解析本地HTML文件时，jsoup会将锚元素中的引号更改为&掩盖我的HTML。

让我们假设我希望将以下HTML部分中的值“一”更改为“二”：

<div class="pg2-txt1">
  <a class="foo" appareantly_a_javascript_statement='{"targetId":"pg1-magn1", "ordinal":1}'>one</a>
</div>

我得到的是：

<div class="pg2-txt1">
  <a class="foo" appareantly_a_javascript_statement="{&quot;targetId&quot;:&quot;pg1-magn1&quot;, &quot;ordinal&quot;:1}">two</a>
</div>

锚元素中的引号是必需的。我的代码现在看起来如下：

File input = new File("D:/javatest/page02.html");
Document doc = Jsoup.parse(input, "UTF-8");
Element div = doc.select("div.pg2-txt1").first(); //anchor element only identifyable by parent <div> class
div.child(0).text("one"); //actual anchor element

我试过了

doc.outputSettings().prettyPrint(false);

但没有成功。

我能用jsoup来达到这个目的吗？我需要使用不同的解析器吗?那会是什么样子呢？

先谢谢你。

Answer 1

根据html规范 JSoup的说法，它的行为非常好：

默认情况下，SGML要求使用双引号(ASCII小数点34)或单引号(ASCII十进制39)分隔所有属性值。当属性值被双引号分隔时，单引号可以包含在属性值中，反之亦然。作者还可以使用数字字符引用来表示双引号(")和单引号(')。

注意最后一句！

这基本上意味着，需要在appareantly_a_javascript_statement属性中使用双引号的其他软件正在对其值进行一些不完整的解析。

我认为有两种解决办法：

1)修改解释appareantly_a_javascript_statement值的函数

我在那里帮不了你，因为我不知道它是在哪里做的。

2)通过正则表达式更改输出.

这太讨厌了..。

String html = doc.outerHtml();
boolean changed = false;
html = html.replaceAll("(=\"\\{)([^\"]+)(\")", "='{$2'");
do{
    int oldLength = html.length();  
    html = html.replaceAll("(=')([^']+)(\\")([^\']+)(')", "$1$2\"$4$5");
    changed = html.length() != oldLength;
}while(changed);
System.out.print(html);