如何解决Jsoup解析HTML后标签转义导致无法查找元素的问题？

问题重现 #

你的原始HTML内容：

<html> <title><s:message code="test" /></title> </html>

用默认Jsoup解析代码：

String input = readFileAsString(filePath); 
Document doc = Jsoup.parse(input); 
Elements messageEls = doc.select("s|message");

解析后<title>里的<s:message>被转义成了<s:message code="test" />，导致无法通过select找到目标元素。

原因分析 #

Jsoup默认的HTML解析器严格遵循HTML规范：<title>元素的内容属于纯文本范畴，其中的特殊字符（比如<、>）会被自动转义为HTML实体，避免被误判为HTML标签。但你的场景里，<title>内是Struts自定义标签，这不符合标准HTML结构，所以默认解析逻辑不适用。

解决方案：使用XML解析模式 #

Jsoup提供了XML解析器，它会把整个内容当作XML文档处理，不会转义元素内的标签字符，能正确识别自定义标签。修改代码如下：

String input = readFileAsString(filePath);
// 使用XML解析器替代默认HTML解析器
Document doc = Jsoup.parse(input, "", Parser.xmlParser());
Elements messageEls = doc.select("s|message");

这样解析后，<s:message code="test" />会被当作一个合法的XML元素，你就能通过select("s|message")正常获取到它了。

补充说明 #

如果你的内容大部分是标准HTML，只有局部包含自定义标签，也可以先提取<title>的文本内容，再对这段文本单独用XML解析器处理，但这种方式不如直接用全局XML解析简洁高效，推荐优先使用前者。

内容的提问来源于stack exchange，提问作者emilly