Question

假设我有一个像这样的html片段：

<p> <span> foo </span> <em> bar <a> foobar </a> baz </em> </p>

我想从中提取的是：

foo bar foobar baz

所以我的问题是：如何从html中删除所有包装标签，只获取与html中相同顺序的文本？正如您在标题中看到的，我想使用jsoup进行解析。

重音html示例（注意'á'字符）：

<p><strong>Tarthatatlan biztonsági viszonyok</strong></p>
<p><strong>Tarthatatlan biztonsági viszonyok</strong></p>

我想要的是什么：

Tarthatatlan biztonsági viszonyok
Tarthatatlan biztonsági viszonyok

这个html不是静态的，通常我只想要一个通用html片段的每个文本都以解码的人类可读形式，宽度换行符。

Answer 1

使用Jsoup：

final String html = "<p> <span> foo </span> <em> bar <a> foobar </a> baz </em> </p>";
Document doc = Jsoup.parse(html);

System.out.println(doc.text());

<强>输出：

foo bar foobar baz

如果您只想要p-tag文本，请使用此代替doc.text()：

doc.select("p").text();

...或仅限身体：

doc.body().text();

LINEBREAK：

final String html = "<p><strong>Tarthatatlan biztonsági viszonyok</strong></p>"
        + "<p><strong>Tarthatatlan biztonsági viszonyok</strong></p>";
Document doc = Jsoup.parse(html);

for( Element element : doc.select("p") )
{
    System.out.println(element.text());
    // eg. you can use a StringBuilder and append lines here ...
}

<强>输出：

Tarthatatlan biztonsági viszonyok  
Tarthatatlan biztonsági viszonyok

Answer 2

使用正则表达式： -

String str = "<p> <span> foo </span> <em> bar <a> foobar </a> baz </em> </p>";
str = str.replaceAll("<[^>]*>", "");
System.out.println(str);

OUTPUT ： -

  foo   bar  foobar  baz

使用Jsoup ： -

Document doc = Jsoup.parse(str); 
String text = doc.text();

Answer 3

实际上，使用Jsoup清理的正确方法是通过Whitelist

...
final String html = "<p> <span> foo </span> <em> bar <a> foobar </a> baz </em> </p>";
Document doc = Jsoup.parse(html);
Whitelist wl = new Whitelist().none()
String cleanText = new Jsoup().clean(doc ,wl)

如果你想保留一些标签：

Whitelist wl = new Whitelist().relaxed().removeTags("a")

jsoup - 删除所有格式和链接标记，仅保留文本

3 个答案:

LINEBREAK：