简汤:把文字提取出来，就像人类所读的一样。

Question

我需要从一个HTMl片段中提取所有文本。

示例：

输入：<p><div>how are</div> you doing?</p><p>I'm doing well</p>

输出：how are you doing? I'm doing well

我发现了一些问题，比如这个Text Extraction from HTML Java，它们处理类似的问题，但它们都只是删除<p>标记，但不删除内部元素。

最初，我尝试通过每个<p>标记的子标记列出它们的内容，并将它们的内容连接起来，还递归地检查每个外孙并连接其子级，等等，直到只有文本为止。问题是，有些文本没有被标签包围，只是简单明了。

我也尝试过Jsoup.parse(html).select("p").text()，但是我得到了"[]I'm doing well"作为输出。

这似乎是对web爬虫类程序的一种非常普遍的需求，但我找不到解决方案.

Answer 1

试试这个：

Document doc = Jsoup.parse("<p><div>how are</div> you doing?</p><p>I'm doing well</p>");
String body = doc.body().text();