Gestion d'entités spéciales telles que & nbsp;, & pound; dans HtmlCleaner

Question

J'utilise la bibliothèque HtmlCleaner pour l'extraction de contenu html. Cela fonctionne bien mais avec peu de limitations.

Il n'est pas capable de gérer les caractères spéciaux tels que & livre ou guillemets etc. Pour e.x. pour l'url: http://www.basicelegancefurnishings.co.uk/alaska-3-and-2-seater-sofa-setspan-classukmadespan-p-280.html, Sur donner xpath au prix, il me donne "& pound;" inplace de £

Y at-il une propriété que nous pouvons définir dans htmlcleaner pour gérer cette solution ou toute autre solution.

Merci

Jitendra

Answer 1

Non, je ne crois pas HtmlCleaner peut le faire. Cependant, vous pouvez utiliser Apache Commons StringEscapeUtils à "unescape" le html, comme ceci:

StringEscapeUtils.unescapeHtml("£679.00"); 

produira £679.00.

Au lieu de HtmlCleaner, je vous recommande d'essayer JSoup.

Answer 2

Cela peut maintenant se faire via org.htmlcleaner.CleanerProperties - setTransSpecialEntitiesToNCR (true).

Answer 3

La version de htmlcleaner que j'utilise est 2.2, et org.htmlcleaner.CleanerProperties - setTransSpecialEntitiesToNCR(true) est utile pour moi. Alors que je dois utiliser le string.replace(" ", " ") pour rendre le contenu html, j'ai eu raison complètement.