使用jsoup将html转换为纯文本时,如何保留换行符?


101

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)));
}

结果是:

hello world yo googlez

但我想打破界限:

hello world
yo googlez

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

如果<br>我解析的标记中有一个,如何在结果输出中换行?


编辑您的文本-您的问题中没有换行符。通常,在发布问题之前,请先阅读问题的预览,以检查所有内容是否显示正确。
罗宾·格林

我问了同样的问题(没有jsoup要求),但我仍然没有一个好的解决方案:stackoverflow.com/questions/2513707/…–
Eduardo

参见@zeenosaur的答案。
张荷镐

Answers:


102

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));
}

满足以下要求:

  1. 如果原始html包含换行符(\ n),则保留它
  2. 如果原始html包含br或p标签,它们将被翻译为换行符(\ n)。

5
这应该是选定的答案
duy du

2
br2nl不是最有用的或准确的方法名
DD。

2
这是最好的答案。但是for (Element e : document.select("br")) e.after(new TextNode("\n", ""));追加真实的换行符而不是序列\ n呢?有关区别,请参见Node :: after()Elements :: append()。该replaceAll()不是需要在这种情况下。p和其他块元素类似。
user2043553 2014年

1
@ user121196的答案应为选择的答案。如果在清理输入HTML之后仍然还有HTML实体,则将StringEscapeUtils.unescapeHtml(...)Apache通用应用于Jsoup clean的输出。
karth500


44
Jsoup.clean(unsafeString, "", Whitelist.none(), new OutputSettings().prettyPrint(false));

我们在这里使用这种方法:

public static String clean(String bodyHtml,
                       String baseUri,
                       Whitelist whitelist,
                       Document.OutputSettings outputSettings)

通过传递它,Whitelist.none()我们确保删除所有HTML。

通过传递,new OutputSettings().prettyPrint(false)我们确保输出未重新格式化并保留了换行符。


这应该是唯一正确的答案。所有其他情况都假定只有br标签会产生新行。怎么样在HTML任何其他块元素,例如divpul等?所有这些都引入了新的思路。
adarshr 2014年

7
通过这种解决方案,产生了html“ <html> <body> <div> line 1 </ div> <div> line 2 </ div> <div> line 3 </ div> </ body> </ html>输出:没有新行的“第1行第2行3”。
JohnC 2015年

2
这对我不起作用;<br>不会创建换行符。
JoshuaD

43

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

你有输出

"A B" 

并不是

A

B

为此,我正在使用:

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

2
确实,这是一个简单的姑息处理方法,但是恕我直言,这应该完全由Jsoup库本身来处理(此时,它具有这种令人不快的行为-否则它将是一个不错的库!)。
SRG 2012年

5
JSoup不给您DOM吗?为什么不只<br>用包含新行的文本节点替换所有元素,然后调用.text()而不是进行正则表达式转换,否则将导致某些字符串的输出不正确,例如<div title=<br>'not an attribute'></div>
Mike Samuel

5
很好,但是“描述”从何而来?
史蒂夫·沃特斯

“ descrizione”代表纯文本分配给的变量
enigma969 '18

23

使用jsoup尝试一下:

public static String cleanPreserveLineBreaks(String bodyHtml) {

    // get pretty printed html with preserved br and p tags
    String prettyPrintedBodyFragment = Jsoup.clean(bodyHtml, "", Whitelist.none().addTags("br", "p"), new OutputSettings().prettyPrint(true));
    // get plain text with preserved line breaks by disabled prettyPrint
    return Jsoup.clean(prettyPrintedBodyFragment, "", Whitelist.none(), new OutputSettings().prettyPrint(false));
}

不错,它对我进行了一些小的更改 new Document.OutputSettings().prettyPrint(true)
Ashu

此解决方案留下“&nbsp;” 作为文本,而不是将其解析为空格。
Andrei Volgin

13

在Jsoup v1.11.2上,我们现在可以使用Element.wholeText()

示例代码:

String cleanString = Jsoup.parse(htmlString).wholeText();

user121196's 答案仍然有效。但是wholeText()保留文本的对齐方式。


超级漂亮的功能!
丹尼斯·库拉金

8

对于更复杂的HTML,上述解决方案都无法正常工作。我能够成功进行转换,同时保留以下换行符:

Document document = Jsoup.parse(myHtml);
String text = new HtmlToPlainText().getPlainText(document);

(版本1.10.3)


1
最好的答案!谢谢安迪·雷斯!
Bharath Nadukatla

6

您可以遍历给定的元素

public String convertNodeToText(Element element)
{
    final StringBuilder buffer = new StringBuilder();

    new NodeTraversor(new NodeVisitor() {
        boolean isNewline = true;

        @Override
        public void head(Node node, int depth) {
            if (node instanceof TextNode) {
                TextNode textNode = (TextNode) node;
                String text = textNode.text().replace('\u00A0', ' ').trim();                    
                if(!text.isEmpty())
                {                        
                    buffer.append(text);
                    isNewline = false;
                }
            } else if (node instanceof Element) {
                Element element = (Element) node;
                if (!isNewline)
                {
                    if((element.isBlock() || element.tagName().equals("br")))
                    {
                        buffer.append("\n");
                        isNewline = true;
                    }
                }
            }                
        }

        @Override
        public void tail(Node node, int depth) {                
        }                        
    }).traverse(element);        

    return buffer.toString();               
}

而对于您的代码

String result = convertNodeToText(JSoup.parse(html))

我认为您应该测试是否isBlock在其中tail(node, depth),并\n在离开块而不是进入块时追加?我正在这样做(即使用tail),并且效果很好。但是,如果我head像您一样使用,则此操作:<p>line one<p>line two将以单行结尾。
KajMagnus 2015年

4
text = Jsoup.parse(html.replaceAll("(?i)<br[^>]*>", "br2n")).text();
text = descrizione.replaceAll("br2n", "\n");

如果html本身不包含“ br2n”,则可以使用

所以,

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

工作更可靠,更轻松。


4

使用jsoup尝试一下:

    doc.outputSettings(new OutputSettings().prettyPrint(false));

    //select all <br> tags and append \n after that
    doc.select("br").after("\\n");

    //select all <p> tags and prepend \n before that
    doc.select("p").before("\\n");

    //get the HTML from the document, and retaining original new lines
    String str = doc.html().replaceAll("\\\\n", "\n");

3

使用textNodes()来获取文本节点的列表。然后将它们连接起来\n作为分隔符。这是我使用的一些scala代码,java端口应该很简单:

val rawTxt = doc.body().getElementsByTag("div").first.textNodes()
                    .asScala.mkString("<br />\n")

3

根据其他答案和对该问题的评论,似乎大多数来这里的人们都在寻找一种通用的解决方案,该解决方案可以提供HTML文档格式良好的纯文本表示形式。我知道我曾经

幸运的是,JSoup已经提供了一个非常全面的示例来说明如何实现此目的:HtmlToPlainText.java

该示例FormattingVisitor可以轻松地根据您的喜好进行调整,并处理大多数块元素和换行。

为了避免链接腐烂,这是乔纳森·赫德利的完整解决方案:

package org.jsoup.examples;

import org.jsoup.Jsoup;
import org.jsoup.helper.StringUtil;
import org.jsoup.helper.Validate;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.nodes.Node;
import org.jsoup.nodes.TextNode;
import org.jsoup.select.Elements;
import org.jsoup.select.NodeTraversor;
import org.jsoup.select.NodeVisitor;

import java.io.IOException;

/**
 * HTML to plain-text. This example program demonstrates the use of jsoup to convert HTML input to lightly-formatted
 * plain-text. That is divergent from the general goal of jsoup's .text() methods, which is to get clean data from a
 * scrape.
 * <p>
 * Note that this is a fairly simplistic formatter -- for real world use you'll want to embrace and extend.
 * </p>
 * <p>
 * To invoke from the command line, assuming you've downloaded the jsoup jar to your current directory:</p>
 * <p><code>java -cp jsoup.jar org.jsoup.examples.HtmlToPlainText url [selector]</code></p>
 * where <i>url</i> is the URL to fetch, and <i>selector</i> is an optional CSS selector.
 * 
 * @author Jonathan Hedley, jonathan@hedley.net
 */
public class HtmlToPlainText {
    private static final String userAgent = "Mozilla/5.0 (jsoup)";
    private static final int timeout = 5 * 1000;

    public static void main(String... args) throws IOException {
        Validate.isTrue(args.length == 1 || args.length == 2, "usage: java -cp jsoup.jar org.jsoup.examples.HtmlToPlainText url [selector]");
        final String url = args[0];
        final String selector = args.length == 2 ? args[1] : null;

        // fetch the specified URL and parse to a HTML DOM
        Document doc = Jsoup.connect(url).userAgent(userAgent).timeout(timeout).get();

        HtmlToPlainText formatter = new HtmlToPlainText();

        if (selector != null) {
            Elements elements = doc.select(selector); // get each element that matches the CSS selector
            for (Element element : elements) {
                String plainText = formatter.getPlainText(element); // format that element to plain text
                System.out.println(plainText);
            }
        } else { // format the whole doc
            String plainText = formatter.getPlainText(doc);
            System.out.println(plainText);
        }
    }

    /**
     * Format an Element to plain-text
     * @param element the root element to format
     * @return formatted text
     */
    public String getPlainText(Element element) {
        FormattingVisitor formatter = new FormattingVisitor();
        NodeTraversor traversor = new NodeTraversor(formatter);
        traversor.traverse(element); // walk the DOM, and call .head() and .tail() for each node

        return formatter.toString();
    }

    // the formatting rules, implemented in a breadth-first DOM traverse
    private class FormattingVisitor implements NodeVisitor {
        private static final int maxWidth = 80;
        private int width = 0;
        private StringBuilder accum = new StringBuilder(); // holds the accumulated text

        // hit when the node is first seen
        public void head(Node node, int depth) {
            String name = node.nodeName();
            if (node instanceof TextNode)
                append(((TextNode) node).text()); // TextNodes carry all user-readable text in the DOM.
            else if (name.equals("li"))
                append("\n * ");
            else if (name.equals("dt"))
                append("  ");
            else if (StringUtil.in(name, "p", "h1", "h2", "h3", "h4", "h5", "tr"))
                append("\n");
        }

        // hit when all of the node's children (if any) have been visited
        public void tail(Node node, int depth) {
            String name = node.nodeName();
            if (StringUtil.in(name, "br", "dd", "dt", "p", "h1", "h2", "h3", "h4", "h5"))
                append("\n");
            else if (name.equals("a"))
                append(String.format(" <%s>", node.absUrl("href")));
        }

        // appends text to the string builder with a simple word wrap method
        private void append(String text) {
            if (text.startsWith("\n"))
                width = 0; // reset counter if starts with a newline. only from formats above, not in natural text
            if (text.equals(" ") &&
                    (accum.length() == 0 || StringUtil.in(accum.substring(accum.length() - 1), " ", "\n")))
                return; // don't accumulate long runs of empty spaces

            if (text.length() + width > maxWidth) { // won't fit, needs to wrap
                String words[] = text.split("\\s+");
                for (int i = 0; i < words.length; i++) {
                    String word = words[i];
                    boolean last = i == words.length - 1;
                    if (!last) // insert a space if not the last word
                        word = word + " ";
                    if (word.length() + width > maxWidth) { // wrap and reset counter
                        accum.append("\n").append(word);
                        width = word.length();
                    } else {
                        accum.append(word);
                        width += word.length();
                    }
                }
            } else { // fits as is, without need to wrap text
                accum.append(text);
                width += text.length();
            }
        }

        @Override
        public String toString() {
            return accum.toString();
        }
    }
}

3

这是我将html转换为文本的版本(实际上是user121196答案的修改版本)。

这不仅保留了换行符,而且还设置了文本格式并删除了过多的换行符,HTML转义符号,并且HTML会带来更好的结果(就我而言,我是从邮件中收到的)。

它最初是用Scala编写的,但是您可以轻松地将其更改为Java

def html2text( rawHtml : String ) : String = {

    val htmlDoc = Jsoup.parseBodyFragment( rawHtml, "/" )
    htmlDoc.select("br").append("\\nl")
    htmlDoc.select("div").prepend("\\nl").append("\\nl")
    htmlDoc.select("p").prepend("\\nl\\nl").append("\\nl\\nl")

    org.jsoup.parser.Parser.unescapeEntities(
        Jsoup.clean(
          htmlDoc.html(),
          "",
          Whitelist.none(),
          new org.jsoup.nodes.Document.OutputSettings().prettyPrint(true)
        ),false
    ).
    replaceAll("\\\\nl", "\n").
    replaceAll("\r","").
    replaceAll("\n\\s+\n","\n").
    replaceAll("\n\n+","\n\n").     
    trim()      
}

您还需要在<div>标签之前添加新行。否则,如果div跟随<a>或<span>标记,则它将不在新行上。
Andrei Volgin

2

试试这个:

public String noTags(String str){
    Document d = Jsoup.parse(str);
    TextNode tn = new TextNode(d.body().html(), "");
    return tn.getWholeText();
}

1
<p> <b> hello world </ b> </ p> <p> <br /> <b> yo </ b> <a href=" google.com"> googlez </a> </ p >但我需要世界各地的googlez(没有html标签)
Billy

这个答案不会返回纯文本;它返回插入了换行符的HTML。
KajMagnus

1
/**
 * Recursive method to replace html br with java \n. The recursive method ensures that the linebreaker can never end up pre-existing in the text being replaced.
 * @param html
 * @param linebreakerString
 * @return the html as String with proper java newlines instead of br
 */
public static String replaceBrWithNewLine(String html, String linebreakerString){
    String result = "";
    if(html.contains(linebreakerString)){
        result = replaceBrWithNewLine(html, linebreakerString+"1");
    } else {
        result = Jsoup.parse(html.replaceAll("(?i)<br[^>]*>", linebreakerString)).text(); // replace and html line breaks with java linebreak.
        result = result.replaceAll(linebreakerString, "\n");
    }
    return result;
}

通过与所涉及的html一起调用来使用,该html包含br以及希望用作临时换行符的任何字符串。例如:

replaceBrWithNewLine(element.html(), "br2n")

递归将确保您用作换行符/换行符占位符的字符串实际上不会出现在源html中,因为它将一直添加“ 1”,直到在html中找不到linkbreaker占位符字符串为止。它不会出现Jsoup.clean方法似乎遇到特殊字符的格式问题。


好了,但是您不需要递归,只需添加以下行:while(dirtyHTML.contains(linebreakerString))linebreakerString = linebreakerString +“ 1”;
NotSoKind博士2014年

是的。完全正确。猜猜我的脑子真的可以使用递归了:)
Chris6647 2014年

1

根据user121196和Green Beret对selects和<pre>s 的回答,唯一适用于我的解决方案是:

org.jsoup.nodes.Element elementWithHtml = ....
elementWithHtml.select("br").append("<pre>\n</pre>");
elementWithHtml.select("p").prepend("<pre>\n\n</pre>");
elementWithHtml.text();
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.