jsoup – 删除所有格式和链接标签，只保留文本

问题描述

假设我有一个这样的 HTML 片段：

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

我想从中提取的是：

foo bar foobar baz

所以我的问题是：我如何从 html 中剥离所有的包装标签，只得到与 html 中相同的顺序的文本？正如您在标题中可以看到的，我想使用 jsoup 进行解析。

重音 html 的示例 (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：

Tarthatatlan biztonsági viszonyok
Tarthatatlan biztonsági viszonyok

这个 html 并不是静态的，一般来说，我只是希望以解码的人类可读形式，宽度换行符的通用 HTML 片段的每个文本。

最佳解决方法

与 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 p-tag 的文本，请使用此代替 doc.text()：

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

… 或只有身体：

doc.body().text();

---

越线：

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

次佳解决方法

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();

参考文献

• jsoup – strip all formatting and link tags, keep text only

注：本文内容整合自 Google/Baidu/Bing 辅助翻译的英文资料结果。如果您对结果不满意，可以加入我们改善翻译效果：薇晓朵技术论坛。