私はHTMLコンテンツ抽出のためにHtmlCleanerライブラリを使用しています。それはかなり限られていますが、かなり機能します。& nbsp;のような特殊エンティティを処理すると、 HtmlCleanerで
&ポンドや引用符などの特殊文字は扱えません。 URL：http://www.basicelegancefurnishings.co.uk/alaska-3-and-2-seater-sofa-setspan-classukmadespan-p-280.html、価格にxpathを渡すと、それは私に "&ポンド; inplace of £
これまたは他の解決方法を処理するためにhtmlcleanerで設定できるプロパティはありますか。
おかげ
Jitendra
いいえ、私はHtmlCleanerはこれを行うことができます信じていません。
StringEscapeUtils.unescapeHtml("£679.00");
が£679.00が生成されます。ただし、このようなApache Commons StringEscapeUtilsに "アンエスケープ" のhtmlを、使用することができます。
HtmlCleanerではなく、JSoupをお試しください。
これは、org.htmlcleaner.CleanerProperties - setTransSpecialEntitiesToNCR（true）で実行できるようになりました。
"setTransSpecialEntitiesToNCR"パラメータはシリアル化の動作にのみ影響します。答えが正しくないため、HtmlCleaner（まだ）はこの種のエスケープ解除されていないHTMLエンティティを処理しません。 http://htmlcleaner.sourceforge.net/parameters.phpも参照してください。 –
私が使用しているhtmlcleanerのバージョンは2.2で、org.htmlcleaner.CleanerProperties - setTransSpecialEntitiesToNCR(true)は私にとって役に立ちます。私はstring.replace(" ", " ")を使ってHTMLコンテンツを作る必要がありますが、私は完全に正しいものです。
私はStringEscapeUtilsについて知らなかった。ありがとう。私の場合のコンテンツ抽出はxpathsに基づいています。 Jsoupはそれをサポートしていますか？ – RandomQuestion
jsoupはコンテンツ抽出用のCSSセレクタをサポートしています。あなたが必要とすることをする必要があります。 –