Cheerio：使用分隔符从 HTML 中提取文本答案

【问题标题】：Cheerio: Extract Text from HTML with separatorsCheerio：使用分隔符从 HTML 中提取文本
【发布时间】：2015-10-11 04:00:08
【问题描述】：

假设我有以下内容：

$ = cheerio.load('<html><body><ul><li>One</li><li>Two</li></body></html>');

var t = $('html').find('*').contents().filter(function() {
  return this.type === 'text';
}).text();

我明白了：

OneTwo

代替：

One Two

如果我执行$('html').text()，我会得到相同的结果。所以基本上我需要的是注入像（空格）或\n这样的分隔符

注意：这不是一个 jQuery 前端问题，更像是与 Cheerio 和 HTML 解析相关的 NodeJS 后端问题。

【问题讨论】：

标签： node.js cheerio

【解决方案1】：

这似乎可以解决问题：

var t = $('html *').contents().map(function() {
    return (this.type === 'text') ? $(this).text() : '';
}).get().join(' ');

console.log(t);

结果：

One Two

只是稍微改进了我的解决方案：

var t = $('html *').contents().map(function() {
    return (this.type === 'text') ? $(this).text()+' ' : '';
}).get().join('');

【讨论】：

此解决方案运行良好，直到页面正文中有内联 javascript，由于某种原因它被拉入。知道如何解决吗？

【解决方案2】：

您可以使用TextVersionJS 包生成html 字符串的纯文本版本。您可以在浏览器和 node.js 中使用它。

var createTextVersion = require("textversionjs");

var yourHtml = "<h1>Your HTML</h1><ul><li>goes</li><li>here.</li></ul>";

var textVersion = createTextVersion(yourHtml);

从npm 下载它，并使用 Browserify 来获取它。

【讨论】：

【解决方案3】：

您可以使用以下函数从以whitespace 分隔的html 中提取文本：

function extractTextFromHtml(html: string): string {
  const cheerioStatic: CheerioStatic = cheerio.load(html || '');

  return cheerioStatic('html *').contents().toArray()
    .map(element => element.type === 'text' ? cheerioStatic(element).text().trim() : null)
    .filter(text => text)
    .join(' ');
}

【讨论】：

...content().toArray().map(element => {}) 。将 toArray() 应用于内容后，它对我有用。谢谢！