我有一个 String
,其中包含一封电子邮件的一些内容,我想从这个 String
中删除所有 HTML 编码。
这是我目前的代码:
public static String html2text(String html) {
Document document = Jsoup.parse(html);
document = new Cleaner(Whitelist.basic()).clean(document);
document.outputSettings().escapeMode(EscapeMode.xhtml);
document.outputSettings().charset("UTF-8");
html = document.body().html();
html = html.replaceAll("<br />", "");
splittedStr = html.split("Geachte heer/mevrouw,");
html = splittedStr[1];
html = "Geachte heer/mevrouw,"+html;
return html;
}
此方法删除所有 HTML,保留行和大部分布局。但它也会返回一些 &
和 nbsp;
标签,这些标签没有被完全删除。看下面的输出,你可以看到 String
中仍然有一些标签,甚至是标签的一部分。我该如何摆脱这些?
Loonheffingen &n= bsp; Naam
nr in administratie &nbs= p; meldingen
nummer
1 &n= bsp; = ; 0 &= nbsp; &nbs= p; 1
123456789L01
编辑:
<span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">De afgekeurde meldingen zijn opgenomen in de bijlage: Afgekeurde meldingen.</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
<span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">Wilt u zo spoedig mogelijk zorgdragen dat deze</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
<span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">meldingen gecorrigeerd worden aangeleverd?</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
<span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">mer</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
<span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">Volg Aantal verwerkt Aantal afgekeurde</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
<span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif"> Loonheffingen Naam</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
<span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">nr in administratie meldingen</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
<span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif"> nummer</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
<br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif"><span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">1 0 1</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
这是我要解析的 HTML 的一部分。我想删除所有 HTML,但保留原始电子邮件的布局。
感谢任何帮助,
谢谢!
已解决
Document xmlDoc = Jsoup.parse(file, "", Parser.xmlParser());
Elements spans= xmlDoc.select("span");
for (Element link : spans) {
String html = textPlus(link);
System.out.println(html);
}
public static String textPlus(Element elem) {
List<TextNode> textNodes = elem.textNodes();
if (textNodes.isEmpty()) {
return "";
}
StringBuilder result = new StringBuilder();
// start at the first text node
Node currentNode = textNodes.get(0);
while (currentNode != null) {
// append deep text of all subsequent nodes
if (currentNode instanceof TextNode) {
TextNode currentText = (TextNode) currentNode;
result.append(currentText.text());
} else if (currentNode instanceof Element) {
Element currentElement = (Element) currentNode;
result.append(currentElement.text());
}
currentNode = currentNode.nextSibling();
}
return result.toString();
}
代码是作为 this 问题的答案提供的。
最佳答案
您需要遍历 JSoup 返回的 HTML 结构并整理文本节点,而不是这样做。这样您就可以让 JSoup 确定什么是真正的文本,实体编码将为您处理(例如 &
-> &
等)。
参见 this SO question了解更多信息。
关于java - 使用 Jsoup 删除所有 HTML 但保留行,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/13988452/