java - JSoup- 按原样获取标签之间的文本

Question

场景:我使用Apache Tika 从DOCX 文件中获取XHTML。我需要解析此 XHTML 以获取特定标签(例如 div 或 p 标签)之间的文本。为此，我使用 Jsoup 获取标签之间的文本。

问题: XHTML 最初有这样的文本:

some text [tab-space][tab-space] other text.

但是使用 Jsoup 我得到了这个:

some text other text.

因此缺少标记空间，但我需要按原样获取文本，即包括 tag-spaces。是否可以使用 Jsoup 或是否有任何其他 Java 库来执行此操作？

Answer 1

对 TextNodes 使用 getWholeText 方法:https://jsoup.org/apidocs/org/jsoup/nodes/TextNode.html#getWholeText--

final Document doc = Jsoup.parse(new File(".\\source.xhtml"), "UTF-8");

for (Element result : doc.select("div")) {
    final String text = ((TextNode) result.childNode(0)).getWholeText();
    System.out.println(text);
}