Jsoup - 提取文本

Question

我需要从这样的节点中提取文本：

<div>
    Some text <b>with tags</b> might go here.
    <p>Also there are paragraphs</p>
    More text can go without paragraphs<br/>
</div>

我需要建立：

Some text <b>with tags</b> might go here.
Also there are paragraphs
More text can go without paragraphs

Element.text只返回div的所有内容。 Element.ownText - 不在children元素中的所有内容。 两者都错了。 通过children迭代忽略文本节点。

是否有方法迭代元素的内容以接收文本节点。 例如

• 文本节点 - 一些文本
• 节点<b> - 带标签
• 文本节点 - 可能会在这里。
• 节点<p> - 还有段落
• 文本节点 - 更多文本可以没有段落
• 节点<br> - <empty>

Answer 1

Element.children（）返回一个Elements对象 - 一个Element对象列表。 查看父类Node ，您将看到允许您访问任意节点的方法，而不仅仅是Elements，例如Node.childNodes（） 。

public static void main(String[] args) throws IOException {
    String str = "<div>" +
            "    Some text <b>with tags</b> might go here." +
            "    <p>Also there are paragraphs</p>" +
            "    More text can go without paragraphs<br/>" +
            "</div>";

    Document doc = Jsoup.parse(str);
    Element div = doc.select("div").first();
    int i = 0;

    for (Node node : div.childNodes()) {
        i++;
        System.out.println(String.format("%d %s %s",
                i,
                node.getClass().getSimpleName(),
                node.toString()));
    }
}

结果：

1 TextNode 
 Some text 
2 Element <b>with tags</b>
3 TextNode  might go here. 
4 Element <p>Also there are paragraphs</p>
5 TextNode  More text can go without paragraphs
6 Element <br/>

Answer 2

for (Element el : doc.select("body").select("*")) {

        for (TextNode node : el.textNodes()) {

                    node.text() ));

        }

    }

Answer 3

假设您只想要文本（没有标签）我的解决方案如下。
输出是：
一些带标签的文字可能会在这里。 还有段落。 更多文字可以没有段落

public static void main(String[] args) throws IOException {
    String str = 
                "<div>"  
            +   "    Some text <b>with tags</b> might go here."
            +   "    <p>Also there are paragraphs.</p>"
            +   "    More text can go without paragraphs<br/>" 
            +   "</div>";

    Document doc = Jsoup.parse(str);
    Element div = doc.select("div").first();
    StringBuilder builder = new StringBuilder();
    stripTags(builder, div.childNodes());
    System.out.println("Text without tags: " + builder.toString());
}

/**
 * Strip tags from a List of type <code>Node</code>
 * @param builder StringBuilder : input and output
 * @param nodesList List of type <code>Node</code>
 */
public static void stripTags (StringBuilder builder, List<Node> nodesList) {

    for (Node node : nodesList) {
        String nodeName  = node.nodeName();

        if (nodeName.equalsIgnoreCase("#text")) {
            builder.append(node.toString());
        } else {
            // recurse
            stripTags(builder, node.childNodes());
        }
    }
}

Answer 4

您可以将TextNode用于此目的：

List<TextNode> bodyTextNode = doc.getElementById("content").textNodes();
    String html = "";
    for(TextNode txNode:bodyTextNode){
        html+=txNode.text();
    }