Jsoup - 去除所有格式和链接标签，只保留文本

Question

假设我有一个像这样的HTML片段:

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

我想要从中提取的内容是：

foo bar foobar baz

所以我的问题是：如何从html中剥离所有包装标签，并按与html中相同的顺序仅获取文本内容？ 正如您在标题中看到的，我想使用jsoup进行解析。

重点提示一下，以下为强调的html示例（请注意 'á' 字符）：

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

我想要的是什么：

Tarthatatlan biztonsági viszonyok
Tarthatatlan biztonsági viszonyok

这个HTML不是静态的，通常我只想要一个通用HTML片段中的所有文本以解码的人类可读形式显示，带有换行符。

- WonderCsabo

---

你尝试过fragment.text()吗？ - Blender

第一次在问题中看到匈牙利文。 :) - SandorRacz

Answer 1

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

如果您只想获取p标签的文本内容，请使用以下代码，而非doc.text()：

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

...或仅限于body:

doc.body().text();

换行符：

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 ...
}

输出：

Tarthatatlan biztonsági viszonyok  
Tarthatatlan biztonsági viszonyok

- ollo

---

谢谢！现在我面临另一个问题：换行符。可以通过使用new TextNode（elem.html（），“”）。getWholeText（）来解决，但它会将我的特殊重音字符变成HTML编码的字符。如何获取解码后的人类可读字符？ - WonderCsabo

你能否发布一些HTML示例（包括你所拥有的HTML和你需要的结果），以及/或者代码。 - ollo

谢谢！这正是我也想到的，但我猜肯定有更聪明的方法。现在这样也不错。 - WonderCsabo

Answer 2

使用正则表达式：-

String str = "<p> <span> foo </span> <em> bar <a> foobar </a> baz </em> </p>";
str = str.replaceAll("<[^>]*>", "");
System.out.println(str);

输出: -

  foo   bar  foobar  baz 

使用Jsoup：-

Document doc = Jsoup.parse(str); 
String text = doc.text();

- Rohit Jain

---

不要使用正则表达式来解析HTML： https://dev59.com/X3I-5IYBdhLWcg3wq6do#1732454 - Ewoks

Answer 3

实际上，使用Jsoup进行清理的正确方法是通过Safelist。

...
final String html = "<p> <span> foo </span> <em> bar <a> foobar </a> baz </em> </p>";
Document doc = Jsoup.parse(html);
Safelist wl = Safelist.none()
String cleanText = Jsoup.clean(doc.html(), wl)

如果您仍想保留一些标签：

Safelist wl = new Safelist().relaxed().removeTags("a")

- Al-Punk

---

有没有不使用静态方法的理由，例如Jsoup.clean（html，WhiteList.none（））？ - Adam Law

小修复，你不能初始化Jsoup类，你需要使用Jsoup.clean(html, wl)（你需要传递HTML字符串，而不是文档）。 - MrPowerGamerBR