web-dev-qa-db-ja.com

jsoup-すべてのフォーマットタグとリンクタグを取り除き、テキストのみを保持

このようなhtmlフラグメントがあるとしましょう：

<p> <span> foo </span> <em> bar <a> foobar </a> baz </em> </p>

それから抽出したいものは：

foo bar foobar baz

だから私の質問は次のとおりです：どのようにhtmlからすべてのラッピングタグを取り除き、html内と同じ順序でテキストのみを取得できますか？タイトルでわかるように、解析にjsoupを使用します。

アクセント付きHTMLの例（「á」文字に注意してください）：

<p><strong>Tarthatatlan biztonsági viszonyok</strong></p>
<p><strong>Tarthatatlan biztonsági viszonyok</strong></p>

私が欲しいもの：

Tarthatatlan biztonsági viszonyok
Tarthatatlan biztonsági viszonyok

このhtmlは静的ではありません。一般的には、デコードされた人間が読み取れる形式、幅の改行で一般的なhtmlフラグメントのすべてのテキストが必要です。

javahtmljsoup
38
WonderCsabo

Jsoupで：

_final String html = "<p> <span> foo </span> <em> bar <a> foobar </a> baz </em> </p>";
Document doc = Jsoup.parse(html);

System.out.println(doc.text());
_

出力：

_foo bar foobar baz
_

Pタグのテキストのみが必要な場合は、doc.text()の代わりにこれを使用します。

_doc.select("p").text();
_

...または本体のみ：

_doc.body().text();
_

改行：

_final String html = "<p><strong>Tarthatatlan biztonsági viszonyok</strong></p>"
        + "<p><strong>Tarthatatlan biztonsági viszonyok</strong></p>";
Document doc = Jsoup.parse(html);

for( Element element : doc.select("p") )
{
    System.out.println(element.text());
    // eg. you can use a StringBuilder and append lines here ...
}
_

出力：

_Tarthatatlan biztonsági viszonyok  
Tarthatatlan biztonsági viszonyok
_
52
ollo

正規表現を使用：-

String str = "<p> <span> foo </span> <em> bar <a> foobar </a> baz </em> </p>";
str = str.replaceAll("<[^>]*>", "");
System.out.println(str);

[〜＃〜] output [〜＃〜]：-

  foo   bar  foobar  baz

Jsoupを使用：-

Document doc = Jsoup.parse(str); 
String text = doc.text();
12
Rohit Jain

実際、Jsoupでクリーンアップする正しい方法は、 ホワイトリスト

...
final String html = "<p> <span> foo </span> <em> bar <a> foobar </a> baz </em> </p>";
Document doc = Jsoup.parse(html);
Whitelist wl = new Whitelist().none()
String cleanText = new Jsoup().clean(doc ,wl)

それでもいくつかのタグを保持したい場合：

Whitelist wl = new Whitelist().relaxed().removeTags("a")
4
Al-Punk