Jsoup避免自动转义问题：提取HTML时保留原始实体而非可视化文本

我完全懂你的困扰——Jsoup默认会把HTML实体转成对应的可视化字符，导致你拿不到原始的实体字符串。咱们一步步来搞定这个问题：

问题根源 #

Jsoup在解析HTML时，会自动把所有实体（比如&、—）转换成对应的Unicode字符。当你输出内容时，它又只会转义HTML必需的特殊字符（比如<、>），像—这种字符不会被转回原始的实体组合，所以你看到的是可视化版本而非原始HTML代码。

解决方案 #

要保留原始的实体格式，你需要调整解析时的字符集和输出时的转义规则：

1. 解析时指定匹配的字符集

首先确保Jsoup用和原始HTML一致的字符集解析内容（从你的原始实体来看，大概率是ISO-8859-1）：

Document doc = Jsoup.connect(myLocation)
                   .charset(StandardCharsets.ISO_8859_1) // 匹配原始HTML的字符集
                   .get();

2. 配置输出参数

修改输出的转义模式和字符集，让Jsoup把所有字符都转义成对应的实体：

doc.outputSettings()
   .indentAmount(0)
   .prettyPrint(false)
   .escapeMode(EscapeMode.extended) // 转义更多非ASCII字符为实体
   .charset(StandardCharsets.ISO_8859_1); // 和解析时的字符集保持一致

3. 提取目标内容

之后再提取指定区域的内容：

final Element docContent = doc.selectFirst("#docContent");
return docContent.html();

为什么这样生效？ #

• EscapeMode.extended会让Jsoup转义更多非ASCII字符为实体，而不是保留为Unicode字符。
• 指定ISO_8859_1字符集后，—这个Unicode字符会被拆分成三个字节，每个字节对应你原始HTML里的â、€、”实体，再加上&被转义成&，最终就还原了原始的—格式。

如果原始HTML用的是UTF-8字符集，把上面的ISO_8859_1换成UTF_8即可，但要注意UTF-8下—对应的实体是—，如果你确实需要原始的—，那必须用ISO-8859-1字符集。

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