jericho-html - 文本提取和不正确的文本长度答案

【问题标题】：jericho-html - text extracting and incorrect text lenghtjericho-html - 文本提取和不正确的文本长度
【发布时间】：2013-08-04 09:38:30
【问题描述】：

今天我尝试将lib用作jericho-html-3.2到extract text from simple html...并且遇到了一个奇怪的文本假长度问题，如下所示：

如果我有这个 html

Hello World :)<br><br>Hello World :(<br><br>Hello World ;)<br>

...my RichTextArea getText().length() 返回的 42 实际上是正确的长度，但是当我尝试使用类似 a 的代码从该 html 中提取文本时

        Source source = new Source(html);
    String text = source.getTextExtractor().toString();

...text.length() 返回 44

所以我不明白为什么长度为 42 的文本会变成长度为 44 的文本以及如何修复它？

谢谢

【问题讨论】：

标签： java gwt html-parsing jericho-html-parser

【解决方案1】：

只有44个，你需要把所有的
标签看作一个字符，空格一个字符，所有笑脸一个字符。

H(1)e(2)l(3)l(4)o(5) (6)W(7)o(8)r(9)l(10)d(11) (12):)(13)<br>(14)<br>(15)H(16)e(17)l(18)l(19)o(20) (21)W(22)o(23)r(24)l(25)d(26) (27:((28)<br>(29)<br>(30)H(31)e(32)l(33)l(34)o(35) (36)W(37)o(38)r(39)l(40)d(41) (42);)(43)<br>(44)

【讨论】：

不，实际上我想在提取的文本中有空格，这没关系；我只想让它的长度与原始字符串的长度一样......这就是关于的问题

【解决方案2】：

我不得不更深入地挖掘它，我认为错误的文本长度来自 html 换行符，因为 jericho html-parser 出于某种原因用空格替换了新的换行符什么的……

至于现在，我不能确定它将哪些标签替换为哪些字符，但至于我的情况，我只是尝试像这样在using regular expression 上做一些走动（参见 sn-p）

html=html.replaceAll("<br>","");

Source source = new Source(html);
String text = source.getTextExtractor().toString();

...所以现在它确实将原始文本长度返回为 42 :)

我希望小费可以节省一天

谢谢大家的帮助

【讨论】：