如何从JSoup“文档”中删除不间断空格？

Question

我该如何移除这些内容：

<td>&nbsp;</td>

或者

<td width="7%">&nbsp;</td>

我该如何从我的JSoup 'Document'中获取内容？我尝试了很多方法，但这些不间断空格字符与普通的JSoup表达式或选择器不匹配。

- Nick Betcher

---

难道不能在IDE或文本编辑器（如Notepad ++）中打开文档，然后进行查找和替换吗？还是你的意思是需要以编程方式实现？ - tw16

这适用于整个文档还是仅限于<td>元素内部？顺便说一下，您是否知道MSIE浏览器在完全空的<td>元素上呈现存在问题？ <td>&nbsp;</td>是解决此MSIE不良行为的经典解决方法。 - BalusC

在Jsoup之前，您是否尝试过像response.replaceAll("&nbsp", "")这样的东西？ - tw16

@tw16 我想要删除整行，而不仅仅是  。此外，我正在使用 JSoup.connect("http://www.blah.com").get()，它不允许您在解析之前修改文档。 - Nick Betcher

“整行”这个词太模糊了。HTML没有“行”的概念。因此，您应该通过BufferedReader将URL#openStream()输入，然后在其中包含“ ”时忽略readLine()。 - BalusC

Answer 1

HTML实体 （Unicode字符NO-BREAK SPACE U+00A0）在Java中可以用字符\u00a0表示。假设您想删除每个包含该字符作为自己文本的元素（因此不是每个行，正如您在评论中所说），则以下内容应该有效：

document.select(":containsOwn(\u00a0)").remove();

如果你真的想要移除整个行，那么最好的方法就是逐行扫描 HTML。

- BalusC

---

document.select(":containsOwn(\u00a0)").remove(); 这会删除所有带有空格的元素， 但我只想删除任何带有   的标签。 https://jsoup.org/apidocs/org/jsoup/select/Selector.html#:~:text=p%3AcontainsOwn(jsoup)%20finds，搜索不区分大小写。 然后我尝试了这个 :containsWholeOwnText(" ") 但是它抛出错误 containsWholeOwnText（\ u00a0）处的意外令牌。 我不确定问题出在哪里。 - asifaftab87

错误。它正在删除所有具有非断行空格的元素，即由HTML实体 表示的确切字符\u00a0。这已经在答案中解释过了。如果对您不起作用，那么我猜您的实际问题是不同的。也许您是想说您在Web浏览器本身呈现的文本中字面上看到了 ？换句话说，HTML源代码包含实际上是 而不是 ？ - BalusC