将HTML解析为纯文本，但保留每个字符的标签信息

Question

我正在寻找一种将HTML（或Markdown，但我可以将其转换为HTML）解析为纯文本的方法，然后依次确定哪些标签适用于每个字符。

因此，例如，如果我有以下HTML：

<p>Hello <em>world</em>!</p>

我将得到纯文本：

Hello world!

并能够查询不同的字符以找出适用的标签：

Character 0 -> H -> p
Character 1 -> e -> p
Character 2 -> l -> p
...
Character 6 -> w -> p, em
Character 7 -> o -> p, em
...
Character 11 -> ! -> p

有人可以建议这样做的方法吗？ 听起来应该不太困难，所以我怀疑我只是在寻找错误的术语以找到合适的东西。

理想情况下，这将使用JSoup或类似方法，但很高兴采用其他方法和库（如果可行）！

更新：另外，我需要能够分离相邻的相同标签。 因此，对于HTML：

<p>Hello</p><p>World</p>

我将能够识别p#1和p#2 。

Answer 1

@Test
public void testCharMapping() {
    charMapping("<p>Hello <em>world</em>!</p>");
    charMapping("<p>Hello</p><p>World</p>");
}

private void charMapping(String html) {
    System.out.println("char mapping for : " + html);
    for (Element e : Jsoup.parse(html).select("*")) {
        if (e.ownText() != null && !e.ownText().isEmpty())
            for (char c : e.ownText().toCharArray())
                System.out.println(c + " -> " + e.cssSelector());
    }
    System.out.println("====================");
}

输入反应：

char mapping for : <p>Hello <em>world</em>!</p>
H -> html > body > p
e -> html > body > p
l -> html > body > p
l -> html > body > p
o -> html > body > p
  -> html > body > p
! -> html > body > p
w -> html > body > p > em
o -> html > body > p > em
r -> html > body > p > em
l -> html > body > p > em
d -> html > body > p > em
====================
char mapping for : <p>Hello</p><p>World</p>
H -> html > body > p:nth-child(1)
e -> html > body > p:nth-child(1)
l -> html > body > p:nth-child(1)
l -> html > body > p:nth-child(1)
o -> html > body > p:nth-child(1)
W -> html > body > p:nth-child(2)
o -> html > body > p:nth-child(2)
r -> html > body > p:nth-child(2)
l -> html > body > p:nth-child(2)
d -> html > body > p:nth-child(2)
====================

Answer 2

您可以对html标签和内部字符串进行基于堆栈的解析，可以在从堆栈中弹出元素时存储位置。