stavo cercando di utilizzare questo codice per pulire il mio testo interamente da elementi HTML:Jsoup metodo pulito lascia elementi
Jsoup.clean(preparedText, Whitelist.none())
Purtroppo non ha rimosso gli elementi . Ho pensato che lo sostituisse con uno spazio bianco, allo stesso modo in cui sostituisce lo · con un punto centrale ("& middot;").
Devo utilizzare un altro metodo per ottenere questa funzionalità?
Dal Jsoup docs:
Whitelists definire cosa HTML (elementi e attributi) per consentire attraverso il più pulito. Tutto il resto viene rimosso.
Quindi la whitelist riguarda solo tag e attributi. non è né un tag né un attributo. È semplicemente la codifica html per un personaggio speciale. Se si desidera tradurre dalla codifica al testo normale si può utilizzare ad esempio l'ottimo apache commons lang library o utilizzare il Jsoup unescapeEntities method:
System.out.println(Parser.unescapeEntities(doc.toString(), false));
Addendum:
La traduzione da · a "·" già accade quando si analizza l'html. Non sembra avere a che fare con il metodo pulito.
Questo è corretto, ma quello che sto cercando di capire è perché c'è una differenza tra & middot; e nel modo in cui Jsoup gestisce questi elementi (nel suo metodo pulito). –
In effetti questo è strano. Forse dovresti sollevare un problema sul github del progetto JSOUP https://github.com/jhy/jsoup/issues – luksch
Perché non lo sostituisci usando il metodo 'replace'? – Maroun
@MarounMaroun, il metodo di sostituzione funzionerà, ma mi chiedo perché Whitelist.none() non l'abbia gestito. –