Jsoup 只保留干净的 <p> 标签并删除其他所有内容

Question

这似乎是一个简单的解决方案，但我终生无法解决。

我有一个由<p> 和p class="example"> 以及一些<p><strong>...</strong></p> 混合组成的元素集合。

我要做的就是保留所有内容（包括标签和它的字符串），这是一个干净的<p> 标签。

我目前正在使用的大部分都是我想要的，但我似乎真的无法摆脱<p><strong>...</strong></p>

@Override
public String fetchContent(String url) throws IOException {
    Document document = Jsoup.connect(url).get();

    Element body = document.select("article.story_landing").first();
    Elements elements = body.select("p:not([class])").select("p:not([id])");

    StringBuilder stringBuilder = new StringBuilder();

    for (Node child : elements) {
        if (child.attributes().size() <= 1) {
            stringBuilder.append(child.toString());
        }
    }

    return stringBuilder.toString();
}

基本上我想删除整个<p></p> 标记，如果它的属性和正文中包含除文本以外的任何内容。

有什么简单的方法吗？

干杯

编辑#1 我所拥有的以及我想要回来的 HTML 示例。对困惑感到抱歉！

<div class="item-body">
    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p><strong>LOREM IPSUM:<br> *&nbsp;
        <a href="https://example.com"
           title="">Some random link</a><br> *&nbsp;
        <a href="https://example.com"
           title="">Some random link</a><br> *&nbsp;
        <a href="https://example.com"
           title="">Some random link</a><br> *&nbsp;
        <a href="https://example.com"
           title="">Some random link</a><br> *&nbsp;
    </strong>
    </p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p><a class="some_class" href="http://example.com">Some rando link</a></p>

    <p><a class="some_class" href="http://example.com">Some rando link</a></p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>
</div>

我只想要干净的<p> 标签及其内容，其余元素可以删除。

<div class="item-body">
    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>
</div>

Answer 1

如果您想删除其中包含元素的<p> 标签，您只需使用以下代码检查它们是否有任何子标签：

Elements allPTags = doc.getElementsByTag("p");

for(Element p : allPTags){
    // If size() isn't 0 it means that the p tag has children elements so 
    // remove it from the from the document.
    if(p.children().size() != 0){ 
        p.remove();
    }
}

我不确定我是否了解您对删除带有属性的标签的要求，但这应该注意删除其中带有元素的标签。

Answer 2

问题不在于我如何解析 HTML，而在于我对从 Element 对象调用时 jsoup 如何处理 remove 缺乏了解。它并没有像我期望的那样从集合中删除它，但是它确实从Document 中删除了它。

从我在问题中的代码中可以看出，我使用删除操作的结果来构建一个字符串，该字符串当然会包含我不想要的元素，即使它们已从 @ 中删除987654326@。

最终的工作解决方案（尽管仍然很乱）看起来像

public String fetchContent(String url) throws IOException {
    StringBuilder stringBuilder = new StringBuilder();
    Document document = Jsoup.connect(url).get();

    Element body = document.select("article.story_landing").first();
    Elements elements = body.getElementsByTag("p");

    for (int i = 0; i <= elements.size(); i++) {
        if (elements.get(i).children().size() != 0) {
            elements.remove(i);
        }
    }

    for (Node child : elements) {
        if (child.attributes().size() <= 1) {
            stringBuilder.append(child.toString());
        }
    }

    return stringBuilder.toString();
}

我发现非常有用的信息是this SO post，其中解释了删除操作。

如果有人有我的问题的更好解决方案，我仍然很乐意听到！