jsoup - 去除所有格式和链接标签，只保留文本

Question

假设我有一个这样的 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：我怎样才能从 html 中剥离所有包装标签，并且只获取与 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());

输出：

foo bar foobar baz

如果您只想要 p-tag 的文本，请使用它而不是 doc.text()：

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

...或只有正文：

doc.body().text();

---

换行：

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 ...
}

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);

输出：-

  foo   bar  foobar  baz 

使用 Jsoup：-

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

Answer 3

其实用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 = Whitelist.none()
String cleanText = Jsoup.clean(doc.html(), wl)

如果你还想保留一些标签：

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