java - 从 html 中提取所有可见文本

Question

我正在尝试在 google chrome 中创建搜索功能。给定一个字符串，它将突出显示包含该字符串的所有区域。我用的是java。我

为此，我首先需要提取所有可见文本。我尝试分析 html 页面，以便找出如何仅提取文本。

对于看起来像这样的部分，似乎

为此，我计划使用 jsoup。我不知道如何从看起来像这样的部分中提取文本。 (这是一条 YouTube 评论，带有“阅读更多”链接和“显示更少”链接)。

从本节中，我尝试提取“不会撒谎，那只狗很可爱”和(“Les mer”或“Vis mindre”，具体取决于它们中的哪一个是可见的)。

<div class="comment-renderer-text" tabindex="0" role="article">
    <div class="comment-renderer-text-content">Not gonna lie, dat dog is ADORABLE</div>
        <div class="comment-text-toggle hid">
            <div class="comment-text-toggle-link read-more">
                <button class="yt-uix-button yt-uix-button-size-default yt-uix-button-link" type="button" onclick="return false;">
                    <span class="yt-uix-button-content">Les mer
                    </span>
                </button>
            </div>
        <div class="comment-text-toggle-link show-less hid">
            <button class="yt-uix-button yt-uix-button-size-default yt-uix-button-link" type="button" onclick="return false;">
                <span class="yt-uix-button-content">Vis mindre
                </span>
            </button>
        </div>
    </div>
</div>

Answer 1

我假设给定的 html 代码已经在名为 doc 的文档中。

String text = doc.select("div.comment-renderer-text-content").first().text();

doc.select 命令获取包含指定 HTML 查询的元素。然后我得到第一个并将其转换为文本。

更多内容可以在这里阅读:Jsoup Selector

编辑:

您可以使用此代码来获取可见文本而不是每个类:

String text = doc.body().text();