使用jsoup将html转换为纯文本时如何保留换行符？

java jsoup

2022-08-31 09:19:30

我有以下代码：

 public class NewClass {
     public String noTags(String str){
         return Jsoup.parse(str).text();
     }


     public static void main(String args[]) {
         String strings="<!DOCTYPE HTML PUBLIC \"-//W3C//DTD HTML 4.0 Transitional//EN \">" +
         "<HTML> <HEAD> <TITLE></TITLE> <style>body{ font-size: 12px;font-family: verdana, arial, helvetica, sans-serif;}</style> </HEAD> <BODY><p><b>hello world</b></p><p><br><b>yo</b> <a href=\"http://google.com\">googlez</a></p></BODY> </HTML> ";

         NewClass text = new NewClass();
         System.out.println((text.noTags(strings)));
}

我得到的结果：

hello world yo googlez

但我想打破这条线：

hello world
yo googlez

我已经看过jsoup的TextNode#getWholeText（），但我不知道如何使用它。

如果我解析的标记中有，如何在生成的输出中获取换行符？<br>

答案 1

保留换行符的真正解决方案应该是这样的：

public static String br2nl(String html) {
    if(html==null)
        return html;
    Document document = Jsoup.parse(html);
    document.outputSettings(new Document.OutputSettings().prettyPrint(false));//makes html() preserve linebreaks and spacing
    document.select("br").append("\\n");
    document.select("p").prepend("\\n\\n");
    String s = document.html().replaceAll("\\\\n", "\n");
    return Jsoup.clean(s, "", Whitelist.none(), new Document.OutputSettings().prettyPrint(false));
}

它满足以下要求：

如果原始 html 包含换行符（\n），则会保留
如果原始 html 包含 br 或 p 标记，则它们将转换为换行符（\n）。

答案 2

跟

Jsoup.parse("A\nB").text();

你有输出

"A B"

而不是

A

B

为此，我正在使用：

descrizione = Jsoup.parse(html.replaceAll("(?i)<br[^>]*>", "br2n")).text();
text = descrizione.replaceAll("br2n", "\n");