Jsoup只保留干净的< p >标记，删除所有其他的

Question

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

我现在使用的大部分都是我想要的，但我似乎真的无法摆脱

@Override
public String fetchContent(String url) throws IOException {
    Document document = Jsoup.connect(url).get();

    Element body = document.select("article.story_landing").first();
    Elements elements = body.select("p:not([class])").select("p:not([id])");

    StringBuilder stringBuilder = new StringBuilder();

    for (Node child : elements) {
        if (child.attributes().size() <= 1) {
            stringBuilder.append(child.toString());
        }
    }

    return stringBuilder.toString();
}

基本上，我想删除整个<代码>

有什么简单的方法吗？

干杯

编辑#1一个超文本标记语言的例子，说明我有什么，以及我想要回什么。抱歉混淆了！

<div class="item-body">
    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p><strong>LOREM IPSUM:<br> *&nbsp;
        <a href="https://example.com"
           title="">Some random link</a><br> *&nbsp;
        <a href="https://example.com"
           title="">Some random link</a><br> *&nbsp;
        <a href="https://example.com"
           title="">Some random link</a><br> *&nbsp;
        <a href="https://example.com"
           title="">Some random link</a><br> *&nbsp;
    </strong>
    </p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p><a class="some_class" href="http://example.com">Some rando link</a></p>

    <p><a class="some_class" href="http://example.com">Some rando link</a></p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>
</div>

我只想要干净的<代码>

<div class="item-body">
    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>

    <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus.</p>
</div>




Answer 1

问题不在于我如何解析 HTML，问题在于我对从 Element 对象调用 jsoup 如何处理删除缺乏了解。它不会像我预期的那样将其从集合中删除，但它确实会将其从文档中删除。

正如您在问题中的代码中看到的那样，我正在使用删除操作的结果来构建一个字符串，该字符串当然会包含我不想要的元素，即使它们已从文档中删除。

最终的工作解决方案（仍然很乱）看起来像

public String fetchContent(String url) throws IOException {
    StringBuilder stringBuilder = new StringBuilder();
    Document document = Jsoup.connect(url).get();

    Element body = document.select("article.story_landing").first();
    Elements elements = body.getElementsByTag("p");

    for (int i = 0; i <= elements.size(); i++) {
        if (elements.get(i).children().size() != 0) {
            elements.remove(i);
        }
    }

    for (Node child : elements) {
        if (child.attributes().size() <= 1) {
            stringBuilder.append(child.toString());
        }
    }

    return stringBuilder.toString();
}

我发现非常有帮助的信息是这篇SO帖子，其中解释了移除操作。

如果有人有更好的问题解决方案，仍然喜欢听到更好的解决方案！

Answer 2

如果您想删除< code >

Elements allPTags = doc.getElementsByTag("p");

for(Element p : allPTags){
    // If size() isn't 0 it means that the p tag has children elements so 
    // remove it from the from the document.
    if(p.children().size() != 0){ 
        p.remove();
    }
}

我不确定我是否理解您对于移除带有属性的标签的要求，但是这应该可以移除带有元素的标签。