java - jsoup - 去除所有格式和链接标签，只保留文本

Question

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:我怎样才能从 html 中剥离所有的包装标签，并仅以与 html 中相同的顺序获取文本？正如您在标题中看到的，我想使用 jsoup 进行解析。

重音 html 示例(注意 'á' 字符):

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

我想要什么:

Tarthatatlan biztonsági viszonyok
Tarthatatlan biztonsági viszonyok

这个 html 不是静态的，通常我只希望通用 html 片段的每个文本都采用解码的人类可读形式，宽度换行符。

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

如果你只想要 p-tag 的文本，用这个代替 doc.text():

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

...或只有正文:

doc.body().text();

---

换行:

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