标签没有换行符时如何从html中获取正确的格式化文本答案

【问题标题】：how to get proper formatted text from html when tags don't have line breaks标签没有换行符时如何从html中获取正确的格式化文本
【发布时间】：2014-02-24 15:11:59
【问题描述】：

我正在尝试借助 Jsoup HTML 解析库来解析这个示例 html 文件。

 <html>
 <body>
 <p> this is sample text</p>
 <h1>this is heading sample</h1>
 <select name="car" size="1">
 <option  value="Ford">Ford</option><option  value="Chevy">Chevy</option><option selected value="Subaru">Subaru</option>
 </select>
 <p>this is second sample text</p>
 </body>
 </html>

当我只提取文本时，我得到以下信息。

this is sample text this is heading sample FordChevySubaru this is second sample text

选项标签文本中没有空格或换行符。

如果 html 是这样的

<html>
 <body>
 <p> this is sample text</p>
 <h1>this is heading sample</h1>
 <select name="car" size="1">
 <option  value="Ford">Ford</option>
 <option  value="Chevy">Chevy</option>
 <option selected value="Subaru">Subaru</option>
 </select>
 <p>this is second sample text</p>
 </body>
 </html>

现在在这种情况下，文本是这样的

this is sample text this is heading sample Ford Chevy Subaru this is second sample text

在选项标签的文本中有适当的空格。如何使用第一个 html 文件获得第二个输出。即如果标签中没有换行符，字符串怎么可能没有连接起来。

我在 Java 中使用以下代码。

 public static String extractText(File file) throws IOException {

    Document document = Jsoup.parse(file,null);
    Element body=document.body();
    String textOnly=body.text();
    return textOnly;
    }

【问题讨论】：

标签： java html-parsing jsoup information-retrieval

【解决方案1】：

我认为满足您要求的唯一解决方案是遍历 DOM 并打印文本节点：

public static String extractText(File file) throws IOException {
    StringBuilder sb = new StringBuilder();
    Document document = Jsoup.parse(file, null);
    Elements body = document.getAllElements();
    for (Element e : body) {
        for (TextNode t : e.textNodes()) {
            String s = t.text();
            if (StringUtils.isNotBlank(s))
                sb.append(t.text()).append(" ");
        }
    }
    return sb.toString();
}

希望对你有帮助。

【讨论】：