使用 Jsoup 解析 HTML 以获取单个元素的文本答案

【问题标题】：Parse HTML to get text for individual elements using Jsoup使用 Jsoup 解析 HTML 以获取单个元素的文本
【发布时间】：2020-02-22 06:24:25
【问题描述】：

我需要解析以下文本并为每个文本创建单独的对象。我尝试了几种方法，但它没有以我需要的格式提供结果。

正文是：

String text = "This is start of a text&nbsp;<a href=\"https://google.com/sample\">followed by a link&nbsp;sample</a>and ending with some text."

使用下面的代码：

Document document = Jsoup.parse(text);
Elements elements = document.select("*");
for(Element e : elements){
System.out.println( e.tagName() + ": " + e.text());}

实际结果是

root: This is start of a text followed by a link sampleand ending with some text.
html: This is start of a text followed by a link sampleand ending with some text.
head: 
body: This is start of a text followed by a link sampleand ending with some text.
p: This is start of a text followed by a link sampleand ending with some text.
a: followed by a link sample

我需要得到以下结果，以便为每个文本创建一个自定义对象

body: This is start of a text&nbsp;
a:followed by a link&nbsp;sample
body:and ending with some text.

【问题讨论】：

标签： jsoup html-parsing

【解决方案1】：

为避免返回所有子项的文本，请使用 e.ownText()，但在这种情况下这还不够，因为您希望将 This is start of a text 和 and ending with some text. 分开，但 ownText() 会将其返回：This is start of a text and ending with some text.。
要获取分隔文本列表，请使用e.textNodes()，body 的输出将是：

body: [
This is start of a text&nbsp;, and ending with some text.]
a: [followed by a link&nbsp;sample]

另外一个好处是你保留了原始的&nbsp;。
此外，如果您不喜欢将多余的 html: [] 和 head: [] 添加到您的文档中，您应该使用 XML 解析器：

Document document = Jsoup.parse(text, "", Parser.xmlParser());

要保持文本分隔和<a> 文本，以尝试递归迭代使用：document.childNodes()，然后childNodes() 用于每个节点。您可以通过检查if (node instanceof TextNode)来识别文本节点。

【讨论】：

感谢您的帮助！！