使用 jSoup 格式化 html 的文本输出答案

【问题标题】：Formatting text output of html with jSoup使用 jSoup 格式化 html 的文本输出
【发布时间】：2013-10-28 20:36:17
【问题描述】：

我有一个要解析的文档，它包含 html，我想将其从 html 转换为 plaintext 但带有格式。

示例摘录

<p>My simple paragragh</p>
<p>My paragragh with <a>Link</a></p>
<p>My paragragh with an <img/></p>

我可以很容易地做这个简单的例子（可能效率不高）

StringBuilder sb = new StringBuilder();

for(Element element : doc.getAllElements()){
    if(element.tag().getName().equals("p")){
        sb.append(element.text());
        sb.append("\n\n");
    }
}

是否可以（以及我将如何做）在正确的位置插入内联元素的输出。一个例子：

<p>My paragragh with <a>Link</a> in the middle</p>

会变成：

My paragragh with (Location: http://mylink.com) in the middle

【问题讨论】：

标签： java html-parsing jsoup text-parsing

【解决方案1】：

您可以用TextNode 替换每个链接标签：

final String html = "<p>My simple paragragh</p>\n"
        + "<p>My paragragh with <a>Link</a></p>\n"
        + "<p>My paragragh with an <img/></p>";

Document doc = Jsoup.parse(html, "");

// Select all link-tags and replace them with TextNodes
for( Element element : doc.select("a") )
{
    element.replaceWith(new TextNode("(Location: http://mylink.com)", ""));
}


StringBuilder sb = new StringBuilder();

// Format as needed
for( Element element : doc.select("*") )
{
    // An alternative to the 'if'-statement
    switch(element.tagName())
    {
        case "p":
            sb.append(element.text()).append("\n\n");
            break;
        // Maybe you have to format some other tags here too ...
    }
}

System.out.println(sb);

【讨论】：