删除所有格式和链接标签，只保留文本

Question

假设我有一个像这样的html片段：

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

我想从中得到的是：

foo bar foobar baz

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）：

<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。

Answer 1

实际上，使用Jsoup清理的正确方法是通过白名单

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

如果你还想保留一些标签：

Whitelist wl = new Whitelist().relaxed().removeTags("a")

Answer 2

使用Regex：-

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

输出：-

  foo   bar  foobar  baz 

使用JSoup：-

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

Answer 3

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

如果您只需要p-tag的文本，请使用该文本而不是doc。text（）：

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

...或者只有身体：

doc.body().text();

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