Question

我正在使用jsoup解析html，并希望在body标签内部提取innerHtml

到目前为止，我尝试并使用document.body.childern（）。outerHtml;但它只给出html元素，并跳过了正文中的浮动文本（未包装在任何html标签中）

private String getBodyTag(final Document document) {
        return document.body().children().outerHtml();
}

输入：

<!DOCTYPE html>
<html lang="de">
    <head>
        <META http-equiv="Content-Type" content="text/html; charset=UTF-8">
        <link rel="stylesheet" type="text/css" href="assets/style.css">
    </head>
    <body>
       <div>questions to improve formatting and clarity.</div>
       <h3>Guided Mode</h3> 
       some sample raw/floating text
    </body>
</html>

预期：

<div>questions to improve formatting and clarity.</div>
<h3>Guided Mode</h3> 
some sample raw/floating text

实际：

<div>questions to improve formatting and clarity.</div>
<h3>Guided Mode</h3>

Answer 1

请使用此：

private String getBodyTag(final Document document) {
    return document.body().html();
}

Answer 2

您可以尝试返回document.body.innerHtml;，这样它将返回body标签内的所有内容，包括任何标签外的文本。

据我所知，您尝试完成此操作的方式无效，因为“原始文本”不被视为儿童。

使用jsoup

2 个答案: