使用jsoup将HTML解析为格式化的纯文本

Question

我正在处理一个允许我解析网站上 HTML 数据的 Maven 项目。我使用以下代码成功地解析了它：

public void parseData(){
        String url = "http://stackoverflow.com/help/on-topic";
        try {
            Document doc = Jsoup.connect(url).get();
            Element essay = doc.select("div.col-section").first();
            String essayText = essay.text();
            jTextAreaAdem.setText(essayText);


        } catch (IOException ex) {
            Logger.getLogger(formAdem.class.getName()).log(Level.SEVERE, null, ex);
        }
    }

目前为止，我还没有遇到任何问题。我可以解析html数据。 我一直在使用jsoup的select方法，并使用“div.col-section”检索数据，这意味着我正在查找类为col-section的div元素。 我想要在文本区域中打印数据。结果是一个巨大的段落，即使网站上的实际数据不止一个段落。所以如何像网站上的数据一样解析数据呢？

- GoGo

Answer 1

不格式化的原因是格式化在HTML中，使用

和

等标签。对块元素调用.text()会丢失该格式。Jsoup提供了一个示例HTML转纯文本转换器HTML to Plain Text convertor，您可以通过将div元素作为焦点来适应您的需求。或者，您可以只选择"div.col-section > *"，并迭代每个元素，并打印出具有换行符的文本。

- Jonathan Hedley

---

HtmlToPlainText is the best java based solution I know. However I couldn't understand why the authors considered hrefs as a part of plain text. I removed the part else if (name.equals("a")) append(String.format(" <%s>", node.absUrl("href"))); - ka3ak