jsoup-剥离所有格式和链接标签，仅保留文本

Question

假设我有一个这样的html片段：

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

我想从中提取的是：

foo bar foobar baz

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）：

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

我想要的是：

Tarthatatlan biztonsági viszonyok
Tarthatatlan biztonsági viszonyok

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。

Answer 1

使用Jsoup：

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());

输出：

foo bar foobar baz

如果只需要p-tag的文本，请使用它代替doc.text()：

doc.select("p").text();

…或仅身体：

doc.body().text();

越线：

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 ...
}

输出：

Tarthatatlan biztonsági viszonyok  
Tarthatatlan biztonsági viszonyok