Java Jsoup - 元素未从元素中删除

Question

我将从头开始，有这样的 html 模式:

<div id="post_message_(some numeric id)">
    <div style="some style things">
        <div class="smallfont" style="some style">useless text</div>
        <table cellpading="6" cellspaceing=.......> a lot of text inside i dont need</table>
    </div>
    Text i need
</div>

那些带有样式的 div 和那个表格是可选的，有时只是

<div id="post">
     Text i need
</div>

我想将该文本解析为字符串。这是我正在使用的代码

Elements divsInside = element.getElementById("post_message_" + id).getElementsByTag("div");
    for(Element div : divsInside) {
        if(div != null && div.attr("style").equals("margin:20px; margin-top:5px; ")) {
            System.out.println(div.html());
            div.remove();
            System.out.println("div removed");
        }
    }

我添加了这些打印行来检查它是否找到它们，是的，它确实找到了正确的打印行，但稍后当我将其解析为字符串时:

String message = Jsoup.parse(divsInside.html().replaceAll("(?i)<br[^>]*>", "br2n")).text()
            .replaceAll("br2n", "\n");

由于某些原因，字符串再次包含所有删除的内容。

我尝试通过迭代器删除它们，或者通过索引完全删除元素，但结果是相同的。

Answer 1

所以你想获得我需要的文本。使用 Element 的 ownText() 方法，该方法仅获取此元素拥有的文本；未获取所有子项的组合文本。

 private static void test(String htmlFile) {
    File input = null;
    Document doc = null;
    Element specificIdDiv = null;

    try {
        input = new File(htmlFile);
        doc = Jsoup.parse(input, "ASCII", "");
        doc.outputSettings().charset("ASCII");
        doc.outputSettings().escapeMode(EscapeMode.base);

        /** Get Element id = post_message_1 **/
        specificIdDiv = doc.getElementById("post_message_1");

        if (specificIdDiv != null ) {
            System.out.println("content: " + specificIdDiv.ownText());
        }
    } catch (Exception e) {
        e.printStackTrace();
    }
}