使用Jsoup解析标签内部标签时不用替换的自动方法

Question

我正在阅读存储在description标签上的RSS标签的HTML代码，它不是纯文本格式。我需要提取一些信息，比如第一张图片会出现，但是我不能这样做，因为description里面的所有标签都没有被Jsoup解析，我想通过CDATA元素的行为来解析它。

在我的问题我引荐到“自动方式” ，因为我看到在这里发表，我会用.replace()删除CDATA，但它似乎不是我没有一个有效的解决方案，我认为这将有助于特定情况下的其他问题，不适用于通用目的。所以我的问题是，如果有一种方法可以让Jsoup进行解析而不会取代我的文本？这是唯一存在的方式吗？我应该使用其他库？

例如，当我分析了RSS文件，节点描述了这一点：

<table width='100%' border='0' cellspacing='0' cellpadding='4'><tr><td align='left' width='10'>< 
a href='http://www.3djuegos.com/noticia/145062/0/bioware-nuevo-juego-ip/video-gamescom/trailer/'><img src='http://i11c.3djuegos.com/juegos/7332/dragon_age_iii/fotos/noticias/dragon_age_iii-2583054.jpg' border='0' width='70' height='52' /> 
</a></td><td align='left' valign='top'>Parece ser una nueva licencia creativa, según lo visto en un enigm&aacu 

所有特殊字符 “<>” 的scaped因为CDATA工作如此。文档的其余部分是良好解析只发生在CDATA内容中。

，我用它来接入代码：

doc = Jsoup.connect("http://www.3djuegos.com/universo/rss/rss.php?plats=1-2-3-4-5-6-7-34&tipos=noticia-analisis-avance-video-imagenes-demo&fotos=peques&limit=20").get(); 
System.out.println(doc.html()); // Shows the document well parsed. 

Elements nodes = doc.getElementsByTag("item"); // Access to news 
for(int i = 0; i < nodes.size(); i++){ // Loop all news 

    // Description node 
    Element decriptionNode = nodes.get(i).getElementsByTag("description").get(0); 

    // Shows content of node. Here is where HTML tags are escaped 
    System.out.println(nodes.get(i).getElementsByTag("description").html()); // Here prints the content of description tag and all HTML tags are escaped by default 

    // Access to first image and here fails because of description text is escaped 
    // and then Jsoup cant parsed as nodes 
    Element imageNode = descriptionNode.getElementsByTag("img").get(0); 
} 

编辑：我用doc.outputSettings().escapeMode(EscapeMode.xhtml)但我想这不会影响到CDATA内容。

编辑2：我用作解决方法库org.apache.commons.lang3.StringEscapeUtils，让unescape html，但我仍在考虑如果Jsoup已经有这方面的东西。

Answer 1

您可以使用text()方法获取非转义值。这意味着如果某个元素的值为<table width='100%' border='0' cellspacing='0' cellpadding='4'>，那么当您执行element.text()时，它将返回<table width='100%' border='0' cellspacing='0' cellpadding='4'>。所以你可以再次解析这个片段，从中得到你想要的任何东西。例如。

import org.jsoup.Jsoup; 
import org.jsoup.nodes.Document; 
import org.jsoup.nodes.Element; 

public class Sample { 
    public static void main(String[] args) throws Exception { 
     String html = "<description>" 
         + "&lt;table width='100%' border='0' cellspacing='0' cellpadding='4'&gt;&lt;tr&gt;&lt;td align='left' width='10'&gt;&lt;" 
         + "a href='http://www.3djuegos.com/noticia/145062/0/bioware-nuevo-juego-ip/video-gamescom/trailer/'&gt;&lt;img src='http://i11c.3djuegos.com/juegos/7332/dragon_age_iii/fotos/noticias/dragon_age_iii-2583054.jpg' border='0' width='70' height='52' /&gt;" 
         + "&lt;/a&gt;&lt;/td&gt;&lt;td align='left' valign='top'&gt;Parece ser una nueva licencia creativa, seg&uacute;n lo visto en un enigm&aacu" 
        + "</description>"; 

     Document doc = Jsoup.parse(html); 
     for(Element desc : doc.select("description")){ 
      String unescapedHtml = desc.text(); 
      String src = Jsoup.parse(unescapedHtml).select("img").first().attr("src"); 
      System.out.println(src); 
     } 
     System.out.println("Done"); 
    } 

}