Jsoup-仅保留标签并删除所有文本
我正在尝试使用Jsoup删除HTML页面的标签之间的所有文本
例如，如果输入的HTML是
<!DOCTYPE html>
<html>
<body>
<h1>My First Heading</h1>
<p>My first paragraph.</p>
</body>
</html>
输出应为
<!DOCTYPE html>
<html>
<body>
<h1></h1>
<p></p>
</body>
</html>
基本上，我想删除由返回的内容 doc.text()
我发现有很多帖子是相反的，只保留文本，而没有什么可以解决我的问题。有关如何执行此操作的任何想法？
编辑
maverick9999提出的解决方案将解决大多数情况。
但是，正如注释中所注意到的，此解决方案还将删除嵌套标签。
举个例子：
String str = "<!DOCTYPE html>" +
"<html>" +
"<body>" +
"<div class='foo'>text <div class='THIS DIV WILL BE REMOVED'>text</div> text </div>" +
"<h1>My First Heading</h1>\n" +
"<p>My first paragraph.</p>\n" +
"</body>\n" +
"</html>";
Document doc=Jsoup.parse(str);
removeAllTexts(doc);
System.out.println(doc);
Elements all=doc.select("*");
Iterator<Element>iterator=all.iterator();
while(iterator.hasNext()){
Element e=iterator.next();
if(!e.ownText().isEmpty()){
e.text("");
}
}
System.out.println(doc);
将在输出中删除一个div：
<html>
<head></head>
<body>
<div class="foo">
</div>
</body>
</html>
有什么想法可以避免这种情况？
编辑2
由于某种原因，标签“ meta”被Jsoup视为自动关闭。因此，如果您有这样的事情：
System.out.println("\n\n----");
String html = "<!DOCTYPE html>\r\n"
+ "<html>\r\n"
+ "<head>\n"
+ "<meta content=\"/myimage.png\" itemprop=\"image\">\n"
+ "<title>Title</title>\n"
+ "<script>Random Javascript here</script>"
+ "</meta>"
+ "</head>"
+ "<body>\r\n"
+ "<h1>My First <i>Heading</i></h1>\r\n"
+ "<hr/>\r\n"
+ "<p>My first paragraph.</p>\r\n"
+ "<p> <div class='foo'>text <div class='bar'> text </div> text </div> </p>\r\n"
+ "</body>\r\n"
+ "</html>";
Document doc2 = Jsoup.parse(html,"",Parser.xmlParser());
printNodes(doc2);
这样，之后的所有标签meta将无法读取。使用Pshemo解决方案，脚本将被删除，如果您有br带有子标签的标签（例如），它们也将被删除。我最终得到了以下解决方案（感谢Pshemo的帮助）：
public static void printNodes(Node node) {
String name = node.nodeName();
if (name.equals("#doctype")) {
System.out.println(node);
} else if (name.equals("#text")) {
return;
} else if (name.equals("#document")) {
for (Node n : node.childNodes())
printNodes(n);
}
// There is no reason to have text here, so print everything
else if (name.equals("head") || name.equals("script")){
System.out.println(node.toString());
}
else {
if (!Tag.valueOf(name).isSelfClosing() || node.childNodeSize()>0) {
System.out.println("<" + name + getAttributes(node) + ">");
for (Node n : node.childNodes())
printNodes(n);
System.out.println("</" + name + ">");
} else {
// System.out.println("debug: " + name + " is self closing");
System.out.println("<" + name + getAttributes(node) + "/>");
}
}
}
public static String getAttributes(Node node) {
StringBuilder sb = new StringBuilder();
for (Attribute attr : node.attributes()) {
sb.append(" ").append(attr.getKey()).append("=\"")
.append(attr.getValue()).append("\"");
}
return sb.toString();
}
问题答案：
以下代码应使用嵌套标签解决您的问题：
更新的代码：
Document doc = Jsoup.parse(html, "", Parser.xmlParser());
for (Element el : doc.select("*")){
if (!el.ownText().isEmpty()){
for (TextNode node : el.textNodes())
node.remove();
}
}
System.out.println(doc);
-
我正在尝试使用 Jsoup 删除 HTML 页面标记之间的所有文本 例如，如果输入HTML是 输出应该是 基本上，我想删除返回的内容。 我找到了很多相反的帖子，只保留文本，但没有解决我的问题。知道怎么做吗？ 编辑 maverick9999：https://stackoverflow.com/a/24292349/3589481提出的解决方案将解决大部分情况。 然而，正如评论中提到的，这个解决方案也
-
问题内容： 假设我有一个这样的html片段： 我想从中提取的是： 所以我的问题是：如何从html中剥离所有包装标签，并仅以与html中相同的顺序获取文本？正如您在标题中看到的那样，我想使用jsoup进行解析。 重音html的示例（注意’á’字符）： 我想要的是： 这个html并不是静态的，通常我只希望通用html片段的每个文本都以已解码的人类可读形式显示，宽度换行。 问题答案： 使用Jsoup：
-
假设我有一个像这样的html片段： 我想从中得到的是： 所以我的问题是：如何从html中去掉所有包装标签，只得到与html中相同顺序的文本？正如您在标题中看到的，我想使用jsoup进行解析。 重音html示例（请注意“á”字符）： 我想要的是： 这个html不是静态的，一般来说，我只是想解码人类可读形式的通用html片段的每一个文本，宽度线中断。
-
这似乎是一个简单的解决方案，但我一辈子都无法解决。 我有一个由< code >混合组成的元素集合 我想做的就是保留所有东西（包括标签和它的字符串），这是一个干净的
-
我想清除所有筛选规则，但保留筛选本身。 有没有直接快速的方法去做呢？ 我找到的代码是： 它获取筛选器对象，我对筛选器#的选项数量是有限的。 注意：删除此筛选器，但我需要保留它。
-
问题内容： 问题是这样的：我有一个像这样的XML片段： 为了得到结果，我想删除所有-和-Tags，但保留它们的（文本）内容和子节点不变。另外，-Element应该保持不变。结果应该这样 目前，我将回到一个非常肮脏的把戏：我将etree.tostring这个片段，通过正则表达式删除有问题的标签，并用etree.fromstring结果替换原始片段（不是真正的代码，但是应该这样）： 我知道我可能可以使