jsoup - 去除所有格式和链接标记，仅保留文本 [英] jsoup - strip all formatting and link tags, keep text only

问题描述

假设我有这样一个html片段：

 < p> <跨度> foo< / span> < EM> bar< a> foob​​ar< / a>巴兹< / em> < / p为H. 
  

我想从中提取的是：

  foo bar foobar baz 
  

所以我的问题是：我怎么能剥离所有的包装标签从一个HTML和只获取文本在相同的顺序，因为它是在HTML中？
正如你可以在标题中看到的，我想用jsoup来解析。

$ b $ p

重音html示例（注意'á'字符）：

 < p>< strong> Tarthatatlanbiztonságiviszonyok< / strong>< / p> 
< p>< strong> Tarthatatlanbiztonságiviszonyok< / strong>< / p> 
  

我想要的：

  Tarthatatlanbiztonságiviszonyok 
 Tarthatatlanbiztonságiviszonyok 
  

这个html不是静态的，通常我只是希望通用html片段的每个文本都以解码后的人类可读形式，宽度换行符来分隔。

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 
  

如果您只想要使用它而不是 doc.text（）：

  doc.select（ p）文本（）; 
  

...或只有正文：

  doc.body（）文本（）; 
  

---

换行符：

  final String html =< p>< strong> Tarthatatlanbiztonságiviszonyok< / strong>< / p> 
 +< p>< strong> Tarthatatlanbiztonságiviszonyok< / strong>< / p>」; 
 Document doc = Jsoup.parse（html）; （元素元素：doc.select（p））
 {
 System.out.println（element.text（））; 
 
 
 //例如。你可以使用一个StringBuilder并在这里追加行...... 
} 
  

输出：

  Tarthatatlanbiztonságiviszonyok 
 Tarthatatlanbiztonságiviszonyok 
  

Let's say i have a html fragment like this:

<p> <span> foo </span> <em> bar <a> foobar </a> baz </em> </p>

What i want to extract from that is:

foo bar foobar baz

So my question is: how can i strip all the wrapping tags from a html and get only the text in the same order as it is in the html? As you can see in the title, i want to use jsoup for the parsing.

Example for accented html (note the 'á' character):

<p><strong>Tarthatatlan biztonsági viszonyok</strong></p>
<p><strong>Tarthatatlan biztonsági viszonyok</strong></p>

What i want:

Tarthatatlan biztonsági viszonyok
Tarthatatlan biztonsági viszonyok

This html is not static, generally i just want every text of a generic html fragment in decoded human readable form, width line breaks.

解决方案

With 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());

Output:

foo bar foobar baz

If you want only the text of p-tag, use this instead of doc.text():

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

... or only body:

doc.body().text();

---

Linebreak:

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 ...
}

Output:

Tarthatatlan biztonsági viszonyok  
Tarthatatlan biztonsági viszonyok

这篇关于jsoup - 去除所有格式和链接标记，仅保留文本的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！