從HtmlCleaner中獲取文本清理的HTML

Question

我想查看從HTMLCleaner獲得的清理過的HTML。 我看到在TagNode上有一個名爲serialize的方法，但不知道如何使用它。 有沒有人有任何示例代碼？

由於 Nayn

Answer 1

這裏的示例代碼：

HtmlCleaner htmlCleaner = new HtmlCleaner(); 

TagNode root = htmlCleaner.clean(url); 

HtmlCleaner.getInnerHtml(root); 

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

Answer 2

使用的org.htmlcleaner.XmlSerializer一個子類，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); 

上述方法有一個問題，它將修剪html標籤中的內容，例如，

這是段落1。

will become 

這是1款。

而且它是getSingleLineOfChildren函數執行修剪操作。所以，如果我們從網站獲取數據並希望保持格式如tuckunder。

PS：如果一個HTML標籤有子標籤，父標籤contetn不會trimed，

例如<p> this is paragraph1. <a>www.xxxxx.com</a> </p>將保持空白之前「這是1款」