从html到文本只过滤掉一些标签

Question

任何一位jsoup大师都能告诉我一些将html过滤成文本/字符串的建议吗？我已尝试调用文档的text（）。但所有标记/元素都将被过滤。我的目标是过滤一些指定的标记。

例如：我有HTML文本：

<div>hello<p>world</div>,<table><tr><td>xxx</td></tr>

得到结果：

<div>hello<p>world</div>,xxx 

它已过滤标记。

Answer 1

您可以使用白名单来实现此目标。例如：

白名单白名单=新白名单（）<白名单。添加标签（“div”、“p”、“td”）

这意味着所有其他标签将被删除。

Answer 2

我现在不能测试这个，但是我认为您需要编写一个递归函数，它可以遍历树并根据条件打印每个节点。下面是它可能看起来像什么的一个例子，但是我希望你必须修改它来更精确地满足你的需求。

Document doc = JSoup.parse(page_text);
recursive_print(doc.head());
recursive_print(doc.body());

...

private static Set<String> ignore = new HashSet<String>(){{
  add("table");
  ...
}};
public static void recursive_print(Element el){
   if(!ignore.contains(el.className()))
     System.out.println(el.html());
   for(Element child : el.children())
     recursive_print(child);
}