如何在 JSoup 中保留原始 HTML 中的空白字符（如多个空格）-html教程-PHP中文网

如何在 JSoup 中保留原始 HTML 中的空白字符（如多个空格）

JSoup 默认会压缩文本节点中的空白字符（如连续空格、换行符），导致断言失败；本文介绍通过 wholeText() 方法精准获取含原始空白的文本内容，并纠正常见选择器误用问题。

jsoup 默认会压缩文本节点中的空白字符（如连续空格、换行符），导致断言失败；本文介绍通过 `wholetext()` 方法精准获取含原始空白的文本内容，并纠正常见选择器误用问题。

在使用 JSoup 进行 HTML 解析与测试验证时，一个常见痛点是：原始 HTML 中的多个连续空格（如 "ABC 123" 中的两个空格）会被自动折叠为单个空格。这是因为 JSoup 的 text() 方法会调用其内部的“规范化文本”逻辑（基于 Node#wholeText() 的简化封装），它会合并相邻文本节点并标准化空白（类似浏览器渲染前的 DOM 文本归一化），而非原样返回原始字符序列。

例如，以下测试会失败：

Document doc = Jsoup.parse("<span id="sp1"><strong>ABC  123</strong></span>");
String actual = doc.select("span#sp1").text(); // 返回 "ABC 123"（两个空格变一个）
assertThat(actual).isEqualTo("ABC  123"); // ❌ 断言失败

⚠️ 注意：outputSettings().prettyPrint(false) 对此无效——该设置仅控制 doc.html() 或 element.html() 输出时的缩进与换行格式，不影响 text() 方法对文本内容的空白处理逻辑。

Html2md

使用 Readability + Turndown 将 HTML 页面转换为干净的、Agent 友好的 Markdown。去除导航栏、广告、页脚、Cookie 横幅、社交按钮等干扰元素。支持 URL...

下载

✅ 正确解法：使用 Element#wholeText() 方法
wholeText() 会递归收集当前元素内所有文本节点（包括内部的文本），保持各文本节点间的原始空白（含空格、制表符、换行），且不进行跨节点空白合并。它更贴近“源码级文本提取”，适用于精确比对场景：

Document doc = Jsoup.parse("<span id="sp1"><strong>ABC  123</strong></span>");

// ✅ 推荐：使用 getElementById 或 selectFirst 获取单个 Element，再调用 wholeText()
Element sp1 = doc.getElementById("sp1");
String actual = sp1.wholeText(); // 返回 "ABC  123"（保留双空格）

assertThat(actual).isEqualTo("ABC  123"); // ✅ 通过

// 或等价写法（注意：务必用 selectFirst 而非 select）
String actual2 = doc.selectFirst("span#sp1").wholeText();

? 关键注意事项：

select("...") 返回 Elements（集合），而 text() 是对整个集合所有元素文本拼接后规范化——易引发歧义；应优先使用 selectFirst() 或 getElementById() 获取单个 Element。
wholeText() 不包含 HTML 标签，仅返回纯文本（含原始空白），因此无需额外清洗，可直接用于断言。
若需同时校验结构与空白（如验证 是否存在），应结合 html() + 自定义空白敏感解析，或改用 outerHtml() 配合正则/AST 比对。

总结：当测试依赖 HTML 原始空白语义时，放弃 text()，拥抱 wholeText()；并确保通过精确选择器获取单一元素，避免集合操作引入意外行为。