如何阻止Jsoup将UTF-8实体转换为UTF-16字符？

核心问题 #

你用text()方法时，Jsoup会自动解析HTML实体为对应字符，这是该方法的设计目的（提取纯文本）。而默认的HTML解析/输出逻辑会把实体转换成UTF-16字符，导致你需要的原始实体编码丢失。

方法1：解析时保留原始实体 #

通过配置Jsoup解析器，让它不解析HTML实体，直接保留原始编码格式：

// 创建解析器并设置忽略实体解析
Parser parser = Parser.htmlParser().entityMode(EntityMode.IGNORE);
// 使用自定义解析器解析HTML
Document doc = Jsoup.parse(myHtml, "", parser);
// 提取目标元素并输出HTML（保留原始实体）
Element targetElement = doc.getElementsByClass("myClass").first();
String preservedHtml = targetElement.toString();

这个方法会让Jsoup在解析阶段就不转换•这类实体，输出时自然保留原始编码。

方法2：输出时将字符转回实体 #

如果你已经完成了解析（实体已被转成字符），可以通过配置输出设置，让Jsoup在输出HTML时把特定字符转回对应的实体编码：

Document doc = Jsoup.parse(myHtml);
Element targetElement = doc.getElementsByClass("myClass").first();

// 配置输出设置，启用XHTML转义模式（会将特殊字符转成实体）
Document.OutputSettings outputSettings = new Document.OutputSettings();
outputSettings.escapeMode(EscapeMode.xhtml);

// 应用设置并输出
targetElement.outputSettings(outputSettings);
String escapedHtml = targetElement.html();

注意：这种方法依赖Jsoup的内置实体映射，确保目标字符（如•）能被正确映射回•。

避坑提示 #

• 不要用text()方法获取带实体的内容：text()的作用是提取纯文本，必然会解析所有实体为字符。
• Parser.unescapeEntities()是把实体转成字符，和你的需求完全相反，所以不要使用。

内容的提问来源于stack exchange，提问作者DavesPlanet