如何使用 Jsoup 保留网页元素的原始 HTML 格式进行爬取

jsoup 默认的 `text()` 方法会剥离所有标签，若需保留原始 html 结构（如 `

`、``、嵌套列表等），应直接调用 `html()` 方法获取内联 html 字符串，并配合 `html.fromhtml()`（android 低版本）或 `htmlcompat.fromhtml()`（推荐）安全渲染。

在使用 jsoup 解析网页时，一个常见误区是误用 wholeText() 或 text() 方法——它们会递归提取纯文本内容，彻底丢失所有 HTML 标签、样式和语义结构。例如，原始 HTML

Hello world!

经 wholeText() 处理后仅剩 “Hello world!”，无法还原加粗效果。

正确做法是：直接调用 Element.html() 或 Elements.html() 方法，它会返回该元素内部完整的、未转义的 HTML 字符串（即 inner HTML）。例如：

Document document = Jsoup.connect("https://studentdevos.com/").get(); Elements elements = document.getElementsByClass("post-entry");  // ✅ 正确：保留原始 HTML 标签结构 String htmlContent = elements.html(); // 返回类似 "
...
...
"

随后在 android 中渲染时，切勿再次用 Html.fromHtml(htmlContent) 包裹后再调用 setText() —— 因为 htmlContent 已是合法 HTML 字符串，而 Html.fromHtml() 的作用是将 HTML 字符串解析为可显示的 Spanned 对象。但注意：

立即学习“前端免费学习笔记（深入）”；

• Android 24+ 要求显式指定标志位，推荐使用 androidx.core.text.HtmlCompat：

  tv_Jsoupe.setText(HtmlCompat.fromHtml(htmlContent, HtmlCompat.FROM_HTML_MODE_COMPACT));

• 若仍用旧 API，请确保传入 FROM_HTML_MODE_LEGACY（API 24+ 默认行为已变更）；
• 绝对不要写成 setText(Html.fromHtml(elements.html()).toString()) —— 这会导致双重解析、标签丢失或转义异常。

⚠️ 注意事项：

• elements.html() 仅返回第一个匹配元素的 inner HTML；如需全部元素 HTML，应遍历 elements 并拼接；
• 确保目标 HTML 内容不包含危险脚本（如
• 若页面含相对路径资源（如 ），需手动补全 base URL，否则图片无法加载。

综上，核心原则是：“取用 html()，渲染用 HtmlCompat.fromHtml()” —— 既保持结构完整性，又保障 Android 渲染安全性与兼容性。