如何使用 java/Scala 从 xml 文件中删除所有标签？

Question

我有xml 内容为

<p/>
<p>Highlighted Applications</p>
<p/>
<table>
<tbody>
<tr>    <td> 
<p>Projects </p>
</td>   <td>
<p>Description</p>
</td>
</tr>
<tr>    <td>
<p>VNC login for Windows Mobile devices</p>
</td>   <td>

它可能有自定义标签，我事先并不知道。是否可以在不遍历 xml-tree 并在 java/scala.xml 中一一删除每个标签的情况下从 xml 上方获取文本。我遇到了this，但这是删除不必要的标签而不是删除所有标签？我正在寻找一些通用的解决方案，它可以删除所有标签或从 xml 中获取所有文本。

所需输出：

Highlighted Applications
Projects
Description
VNC login for Windows Mobile devices

我愿意接受任何其他方法/库建议？

Answer 1

如果您可以将 xml 文件的所有内容作为字符串获取，我会建议这样：
您可以像这样将 replaceAll 与正则表达式 \<.*?\> 一起使用：

str.replaceAll("\\<.*?\\>", "")

替换所有可以使用的空行：

str.replaceAll("(?m)^[ \t]*\r?\n", "")

你可以在这里查看remove all empty lines

---

最后的输出应该是这样的：

Highlighted Applications
Projects 
Description
VNC login for Windows Mobile devices

Answer 2

正确的做法是这样的：

def extractText(nodes: Seq[xml.Node]): Seq[String] =  nodes.flatMap {
 case xml.Text(t) => Seq(t)
 case n => extractText(n.child)
}

那你就可以了

extractText(xml.XML.loadString(xmlToParse))
  .filter(_.matches(".*\\S.*"))
  .mkString("\n")

正则表达式，正如另一个答案所暗示的（你不需要用反斜杠转义 < 和 > BTW，而且 \s 是一个元字符，你可以使用它来代替枚举所有可能的空白符号），是一个更简单的解决方案，在大多数情况下都可以使用，但在某些极端情况下会失效。

对于纯粹主义者，这里还有一个尾递归版本（如果您的文档结构非常非常深，特别有用:)）

@tailrec
def extractText(nodes: Seq[xml.Node], result: List[String] = Nil): Seq[String] = nodes match { 
  case Seq() => result.reverse
  case Seq(xml.Text(t), tail@_*) => extractText(tail, t :: result)
  case Seq(head, tail@_*) => extractText(head.child ++ tail, result)
}

Answer 3

使用Jsoup#text

获取此元素及其所有子元素的组合文本。空白被规范化和修剪。 例如，给定 HTML <p>Hello <b>there</b> now! </p>，p.text() 返回 "Hello there now!"

String s = //..html code
System.out.println(Jsoup.parse(s).text());