![](/img/trans.png)
[英]java tika how to convert html to plain text retaining specific element
[英]Parsing HTML to plain text, but retaining tag information per character
我正在尋找一種將HTML(或Markdown,但我可以將其轉換為HTML)解析為純文本的方法,然后依次確定哪些標簽適用於每個字符。
因此,例如,如果我有以下HTML:
<p>Hello <em>world</em>!</p>
我將得到純文本:
Hello world!
並能夠查詢不同的字符以找出適用的標簽:
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
有人可以建議這樣做的方法嗎? 聽起來應該不太困難,所以我懷疑我只是在尋找錯誤的術語以找到合適的東西。
理想情況下,這將使用JSoup或類似方法,但很高興采用其他方法和庫(如果可行)!
更新:另外,我需要能夠分離相鄰的相同標簽。 因此,對於HTML:
<p>Hello</p><p>World</p>
我將能夠識別p#1
和p#2
。
@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("====================");
}
輸入反應:
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)
====================
您可以對html標簽和內部字符串進行基於堆棧的解析,可以在從堆棧中彈出元素時存儲位置。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.