防止Jsoup丟棄額外的空白

Question

我正在使用Jsoup從表單中清理用戶輸入。有問題的表單包含一個<textarea>，它需要純文本。提交表格時，我用Jsoup.clean(textareaContents)清理輸入;但是，由於html會忽略多餘的空格，因此Jsoup.clean()將從輸入中刪除有價值的空白字符。

例如，如果有人進入幾行文本在textarea：

hello 

test 

Jsoup.clean()後，你將有：

hello test 

你怎麼能Jsoup.clean()保留空白？我知道它是專爲解析HTML而設計的，這不是html，那麼還有更好的選擇嗎？

Answer 1

如果你的textarea只是期望純文本，那麼我認爲你最好只用HTML轉義純文本。即分別將用戶的輸入<和>標籤轉換爲<和>。無論是輸入我們的輸出（輸入可能更安全，所以你只需要考慮一次）。

正如您所說，jsoup HTML cleaner旨在解析不可信輸入HTML並輸出受信任的HTML，其中格式化是通過元素完成的。

Answer 2

對於後代，如果您仍然需要使用空格訪問原始文本，則可以使用TextNode.getWholeText()方法。

樣品的編號：

/** 
* @param cell element that contains whitespace formatting 
* @return 
*/ 
public static String getText(Element cell) { 
    String text = null; 
    List<Node> childNodes = cell.childNodes(); 
    if (childNodes.size() > 0) { 
     Node childNode = childNodes.get(0); 
     if (childNode instanceof TextNode) { 
      text = ((TextNode)childNode).getWholeText(); 
     } 
    } 
    if (text == null) { 
     text = cell.text(); 
    } 
    return text; 
} 

在上面的代碼中，我們假設在該元件直接傳遞包含元件體的內部文本內容（我們採取的第一個節點）。如果不是這樣，它會回落到正常的Element.text()方法。

Answer 3

Neeme Praks的回答非常好，正確保留了空格。但是，內聯HTML真的會弄亂它。

<span>This is<br />some text. Cool story.</span> 

結果

"This is" 

或者，如果你在沒有自己的文字的元素傳遞，則返回null。

所以我不得不爲了我的目的重做這個方法。這可能會幫助一些人，所以我在這裏發佈。基本思想是迭代孩子，而不是僅僅考慮第一個。這還包括爲沒有孩子的任何元素獲取HTML的情況。

這樣原來的片段回報：

This is<br />some text. Cool story. 

---

public static String getText(Element cell) { 
    StringBuilder textBuilder = new StringBuilder(); 
    for (Node node : cell.childNodes()) { 
     if (node instanceof TextNode) { 
      textBuilder.append(((TextNode)node).getWholeText()); 
     } 
     else { 
      for (Node childNode : node.childNodes()) { 
       textBuilder.append(getText((Element)childNode)); 
      } 
      textBuilder.append(node.outerHtml()); 
     } 
    } 
    if (cell.childNodes().isEmpty()) { 
     textBuilder.append(cell.outerHtml()); 
    } 
    return textBuilder.toString(); 
}