Jsoupホワイトリスト：非英語の文字を解析する

Question

HTMLテキストを消去し、Jsoupを使用してHTMLテキストを抽出しようとしています。 HTMLに英語以外の文字が含まれている可能性があります。

例えばHTMLテキストは次のとおりです。今、私はJsoup#parse(String html)使用する場合

String html = "<p>Á <a href='http://example.com/'><b>example</b></a> link.</p>"; 

：

String text = Jsoup.parse(html).text(); 

それは印刷です：

Á example link. 

そして私はJsoup#clean(String bodyHtml, Whitelist whitelist)を使用してテキストをきれい場合：

String text = Jsoup.clean(html, Whitelist.none()); 

それが印刷されています

Á example link. 

私の質問は、どのように私は、テキストWhitelistとclean()方法を使用して

Á example link. 

を得ることができていますか？私はWhitelist#addTags(String... tags)を使う必要があるかもしれないので、Whitelistを使いたいです。

すべての情報は私にとって非常に役立ちます。

ありがとうございました。エンティティが機能を逃れるため不可

Answer 1

現在のバージョン（1.6.1）で、jsoupない「エスケープしていない」モードでは、（Entities.EscapeModeを確認してください）今は存在しない、ÁとしてÁを印刷します。

これらのHTMLエンティティをエスケープできます。2.空のマップで新しいエスケープモードを追加してjsoupのソースコードを拡張します。