我需要从HTM1片段中提取所有文本。
例：
输入：<p><div>how are</div> you doing?</p><p>I'm doing well</p>
输出：how are you doing? I'm doing well
我发现了类似的问题，例如Text Extraction from HTML Java，但它们都只是删除了<p>标记，但没有删除内部元素。
最初，我尝试列出每个<p>标记的子项，并串联其内容，然后递归检查每个孙子，并串联其子项，依此类推，直到只有文本为止。问题是某些文本没有被标签包围，只是纯文本。
我也尝试过Jsoup.parse(html).select("p").text()，但输出为"[]I'm doing well"。
这似乎是对Web爬网程序类型的非常普遍的需求，但是我找不到解决方案。
最佳答案
尝试这个：
Document doc = Jsoup.parse("<p><div>how are</div> you doing?</p><p>I'm doing well</p>");
String body = doc.body().text();
关于java - Jsoup:以人类阅读的方式提取文本，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/24225412/