Java Jsoup.clean而不添加html实体

我正在使用

问题在于，它用

替换了
å
（这给我带来了麻烦，因为它不是“纯xml”）

比如说

Jsoup.clean("hello å <script></script> world", Whitelist.basicWithImages())

但是我想

"hello å  world"

有没有一个简单的方法来实现这一点？（即，比在结果中将
å；
转换回
å
更简单。）
将HTML解析为文档，然后使用清理器清理文档并生成另一个文档，获取文档的输出设置并将适当的字符集和转义模式设置为xhtml，然后将文档转换为字符串。未测试，但应能正常工作。
Jsoup网站上已经有功能请求。您可以通过添加新的空映射和新的转义类型来扩展源代码。如果不想这样做，可以使用apache commons中的StringEscapeUtils

public static String getTextOnlyFromHtmlText(String htmlText){
    Document doc = Jsoup.parse( htmlText );
    doc.outputSettings().charset("UTF-8");
    htmlText = Jsoup.clean( doc.body().html(), Whitelist.simpleText() );
    htmlText = StringEscapeUtils.unescapeHtml(htmlText);
    return htmlText;
}

您可以配置Jsoup的转义模式：使用
EscapeMode.xhtml
将为您提供不带实体的输出

下面是一个完整的代码段，它接受
str
作为输入，并使用
Whitelist.simpleText（）清理它：

一个更简单的方法是

// clean the html
String output = Jsoup.clean(html, Whitelist.basicWithImages());

// Parse string into a document
Document doc = Jsoup.parse(output);

// Adjust escape mode
doc.outputSettings().escapeMode(EscapeMode.xhtml);

// Get back the string
System.out.println(doc.body().html());

我已经对此进行了测试，并且效果良好
公认的答案是使用
Jsoup.parse
，在快速浏览源代码后，它似乎比
Jsoup.clean
中的内容更为重要

我复制了
Jsoup.clean（…）
的源代码，并添加了设置转义模式的行。这应该避免parse方法执行一些不必要的步骤，因为它不必解析整个html文档，而只需处理一个片段

private String clean(String html, Whitelist whitelist) {
    Document dirty = Jsoup.parseBodyFragment(html, "");
    Cleaner cleaner = new Cleaner(whitelist);
    Document clean = cleaner.clean(dirty);
    clean.outputSettings().escapeMode(EscapeMode.xhtml);
    return clean.body().html();
}

简单方法：

EscapeMode em = EscapeMode.xhtml;
em.getMap().clear();

doc.outputSettings().escapeMode(em);

这将删除所有html实体，包括以下内容：&apos；，“，&，<和>。EscapeMode.xhtml允许这些实体。
来自&bmoc的回答可以正常工作，但您可以使用一个较短的解决方案：

// Clean html
Jsoup.clean(someInput, "yourBaseUriOrEmpty", Whitelist.simpleText(), new OutputSettings().escapeMode(EscapeMode.xhtml))

用StringEscapeUtils方法很好，Frank。非常有用，不仅在这方面case@frandevel这将是一个非常糟糕的主意。如果输入是
scriptalert（'Hello'）/script
，您将实际插入不安全的HTML并允许XSS攻击。此功能现在在Jsoup中实现。请参阅Parser.unescapeEntities，@GuillaumePolet有趣的一点，然后如何清理类似于以下内容的输入：
scriptalert（'Hello'）；/script
？注意：与直接交互，而不是在Jsoup中使用。
private String clean(String html, Whitelist whitelist) {
    Document dirty = Jsoup.parseBodyFragment(html, "");
    Cleaner cleaner = new Cleaner(whitelist);
    Document clean = cleaner.clean(dirty);
    clean.outputSettings().escapeMode(EscapeMode.xhtml);
    return clean.body().html();
}

EscapeMode em = EscapeMode.xhtml;
em.getMap().clear();

doc.outputSettings().escapeMode(em);

// Clean html
Jsoup.clean(someInput, "yourBaseUriOrEmpty", Whitelist.simpleText(), new OutputSettings().escapeMode(EscapeMode.xhtml))