从 HtmlCleaner 获取文本中经过清理的 HTML

Question

我想查看从 HTMLCleaner 获得的清理后的 HTML。 我看到TagNode上有一个名为serialize的方法，但不知道如何使用它。 有人有它的示例代码吗？

谢谢 纳恩

Answer 1

这是示例代码：

HtmlCleaner htmlCleaner = new HtmlCleaner();

TagNode root = htmlCleaner.clean(url);

HtmlCleaner.getInnerHtml(root);

String html = "<" + root.getName() + ">" + htmlCleaner.getInnerHtml(root) + "</" + root.getName() + ">";

Answer 2

使用 org.htmlcleaner.XmlSerializer 的子类，例如：

// get the element you want to serialize
HtmlCleaner cleaner     = new HtmlCleaner();
TagNode     rootTagNode = cleaner.clean(url);

// set up properties for the serializer (optional, see online docs)
CleanerProperties cleanerProperties = cleaner.getProperties();
cleanerProperties.setOmitXmlDeclaration(true);

// use the getAsString method on an XmlSerializer class
XmlSerializer xmlSerializer = new PrettyXmlSerializer(cleanerProperties);
String        html          = xmlSerializer.getAsString(rootTagNode);

Answer 3

XmlSerializer xmlSerializer = new PrettyXmlSerializer(cleanerProperties);

String html = xmlSerializer.getAsString(rootTagNode);

上面的方法有一个问题，它会修剪html标签中的内容，例如，

这是第 1 段。

 will become 

这是第 1 段。

它是 getSingleLineOfChildren 函数执行修剪操作。因此，如果我们从网站获取数据并希望保持像 tuckunder 这样的格式。

PS：如果html标签有子标签，则父标签内容不会被修剪，

例如

;这是第1段。 www.xxxxx.com

将在“this is paragraph1”之前保留空格