Jsoup con problemi con simboli HTML speciali, ‘ — ecc.

Question

Ho un po 'di HTML (String) che sto trasmettendo a Jsoup solo per poter aggiungere qualcosa a tutti gli attributi href e src, che funziona bene. Tuttavia, sto notando che per alcuni caratteri HTML speciali, Jsoup li sta convertendo da dire “ al personaggio attuale “. Eseguo il valore prima e dopo e vedo quel cambiamento.

Prima:

THIS — IS A “TEST”. 5 > 4. trademark: ™ 

Dopo:

THIS — IS A “TEST”. 5 > 4. trademark: ? 

Cosa diavolo sta succedendo? In particolare stavo convertendo quei caratteri speciali nelle loro entità HTML prima di qualsiasi roba Jsoup per evitarlo. Le virgolette sono cambiate in virgolette effettive, la maggiore è rimasta invariata e il marchio è diventato un punto interrogativo. Aaaaaaa.

Cordiali saluti, il mio codice Jsoup sta facendo:

Document document = Jsoup.parse(fileHtmlStr); 
//some stuff 
String modifiedFileHtmlStr = document.html(); 

Grazie per qualsiasi aiuto!

Answer 1

Il codice riportato di seguito sarà simile al markup di input. Cambia la modalità di escape per caratteri specifici e imposta la modalità ASCII per uscire dal segno TM per i sistemi che non supportano Unicode.

L'output:

<p>THIS &mdash; IS A &ldquo;TEST&rdquor;&period; 5 &gt; 4&period; trademark&colon; &#x99;</p> 

Il codice:

Document doc = Jsoup.parse("" + 
    "<p>THIS &mdash; IS A &ldquo;TEST&rdquo;. 5 &gt; 4. trademark: &#153;</p>"); 

Document.OutputSettings settings = doc.outputSettings(); 

settings.prettyPrint(false); 
settings.escapeMode(Entities.EscapeMode.extended); 
settings.charset("ASCII"); 

String modifiedFileHtmlStr = doc.html(); 

System.out.println(modifiedFileHtmlStr);