这不是重复的。是一个类似的 question ,但这些答案都无法处理真正的 html 文件。可以保存任何 html,甚至是这个,并尝试运行该答案的任何解决方案……它们都不能完全解决问题
问题是
我有一个保存 .htm
我桌面上的文件。我需要从中获取纯文本。但是我确实需要保留换行符,这样文本就不会只出现在一行或几行上。
我尝试了以下以及 here 中的所有方法
FileInputStream in = new FileInputStream("C:\\...myfile.htm");
String htmlText = IOUtils.toString(in);
for (String line : htmlText.split("\n")) {
String stripped = Jsoup.parse(line).text();
System.out.println(stripped);
}
这只会保留 html 文件的行。但是,文本仍然是乱七八糟的,因为诸如 </br>
之类的东西, <p>
被删除了。我如何解析以便文本保留所有自然换行符。
最佳答案
这是我注意到 jsoup 和 Selenium 之间的区别,其中 Selenium 保留换行符,而 jsoup 在提取文本时不保留换行符。话虽如此,我认为最好的方法是在您尝试提取文本的节点上获取 innerHtml,然后在 innerHtml 上执行 replaceAll 以替换 </br>
和 <p>
有换行符。
作为更完整的解决方案,不是逐行读取文本文件,是否可以更原生地遍历html文本?您最好的选择是使用递归函数之类的东西遍历树,当您点击 TextNode 时,将该文本添加到示例中的剥离变量。然后当你点击 <p>
或 </br>
元素,您可以根据需要添加换行符。
类似于:
Document doc = Jsoup.parse(htmlText);
然后将其传递给每个子节点的递归函数:
String getText(Element parentElement) {
String working = "";
for (Node child : parentElement.childNodes()) {
if (child instanceof TextNode) {
working += child.text();
}
if (child instanceof Element) {
Element childElement = (Element)child;
// do more of these for p or other tags you want a new line for
if (childElement.tag().getName().equalsIgnoreCase("br")) {
working += "\n";
}
working += getText(childElement);
}
}
return working;
}
然后你就可以调用函数来剥离文本了。
strippedText = getText(doc);
这不是最简单的解决方案,但如果您想从 HTML 中提取所有文本,我认为应该可行。我还没有运行这段代码,只是现在才写,所以如果我错过了什么,我深表歉意。但它应该能让您大致了解。
关于java - 使用 Jsoup.parse 时如何保持换行?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/20075991/