java - 如何使用jsoup删除html文件开头的 header ？

Question

我正在使用jsoup来解析html文件。我已经成功地从 Html 中删除了所有标签，但问题是，我还想删除文件开头的 header 。 例如:

WARC/1.0

WARC-Type: response

WARC-Date: 2012-02-10T20:37:13Z

HTTP/1.1 200 OK

Server: Apache

这是我的代码:

 static String readFile(String path, Charset encoding) throws IOException 
 {
     byte[] encoded = Files.readAllBytes(Paths.get(path));
     return new String(encoded, encoding);
 }
 String file=indexer.readFile("C:\\Users\\umair\\Downloads\\Compressed\\Assignment 1 Data IR\\Assignment 1 Data IR\\corpus\\corpus\\corpus\\clueweb12-0000tw-14-17002.txt", StandardCharsets.UTF_8);
 System.out.println(Jsoup.parse(file).text());

知道如何删除这些 header 吗？

Answer 1

你可以使用

doc.body()

仅获取 HTML 文档的正文，不包含任何 header 。当然，这假设您正在处理正确的 HTML 文档。