ฉันจะสงวนตัวแบ่งบรรทัดเมื่อใช้ jsoup เพื่อแปลง html เป็นข้อความธรรมดาได้อย่างไร


101

ฉันมีรหัสต่อไปนี้:

 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)));
}

และฉันได้ผลลัพธ์:

hello world yo googlez

แต่ฉันต้องการทำลายเส้น:

hello world
yo googlez

ฉันได้ดูTextNode # getWholeText () ของ jsoup แล้วแต่ฉันไม่สามารถหาวิธีใช้งานได้

หากมี<br>มาร์กอัปที่ฉันแยกวิเคราะห์ฉันจะแบ่งบรรทัดในผลลัพธ์ผลลัพธ์ได้อย่างไร


แก้ไขข้อความของคุณ - ไม่มีการขึ้นบรรทัดใหม่ในคำถามของคุณ โดยทั่วไปโปรดอ่านตัวอย่างคำถามของคุณก่อนโพสต์เพื่อตรวจสอบว่าทุกอย่างแสดงถูกต้อง
Robin Green

ฉันถามคำถามเดียวกัน (โดยไม่มีข้อกำหนด jsoup) แต่ฉันยังไม่มีวิธีแก้ปัญหาที่ดี: stackoverflow.com/questions/2513707/…
Eduardo

ดูคำตอบของ @zeenosaur
Jang-Ho Bae

คำตอบ:


102

วิธีแก้ปัญหาที่แท้จริงที่จะรักษาเส้นแบ่งควรเป็นดังนี้:

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));
}

เป็นไปตามข้อกำหนดต่อไปนี้:

  1. หาก html ดั้งเดิมมี newline (\ n) จะได้รับการเก็บรักษาไว้
  2. หาก html ดั้งเดิมมีแท็ก br หรือ p พวกเขาจะถูกแปลเป็น newline (\ n)

5
นี่ควรเป็นคำตอบที่เลือก
duy

2
br2nl ไม่ใช่ชื่อเมธอดที่เป็นประโยชน์หรือถูกต้องที่สุด
DD

2
นี่คือคำตอบที่ดีที่สุด แต่การfor (Element e : document.select("br")) e.after(new TextNode("\n", ""));ต่อท้ายบรรทัดใหม่จริงไม่ใช่ลำดับ \ n ล่ะ ดูNode :: after ()และElements :: append ()สำหรับความแตกต่าง replaceAll()ไม่ได้มีความจำเป็นในกรณีนี้ คล้ายกับ p และองค์ประกอบบล็อกอื่น ๆ
user2043553

1
คำตอบของ @ user121196 ควรเป็นคำตอบที่เลือก หากคุณยังคงมีเอนทิตี HTML หลังจากที่คุณทำความสะอาดอินพุต HTML ให้ใช้ StringEscapeUtils.unescapeHtml (... ) คอมมอน Apache กับเอาต์พุตจาก Jsoup clean
karth500

6
โปรดดูที่github.com/jhy/jsoup/blob/master/src/main/java/org/jsoup/…สำหรับคำตอบที่ครอบคลุมสำหรับปัญหานี้
Malcolm Smith

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

เรากำลังใช้วิธีนี้ที่นี่:

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

โดยผ่านมันWhitelist.none()เราให้แน่ใจว่า HTML ทั้งหมดจะถูกลบออก

โดยการส่งnew OutputSettings().prettyPrint(false)เราตรวจสอบให้แน่ใจว่าเอาต์พุตไม่ได้ถูกฟอร์แมตใหม่และการแบ่งบรรทัดจะถูกเก็บรักษาไว้


นี่ควรเป็นคำตอบเดียวที่ถูกต้อง คนอื่น ๆ ทั้งหมดคิดว่ามีเพียงbrแท็กเท่านั้นที่สร้างบรรทัดใหม่ สิ่งที่เกี่ยวกับบล็อกองค์ประกอบอื่น ๆ ในรูปแบบ HTML เช่นdiv, p, uletc? ทุกคนแนะนำไลน์ใหม่ด้วย
adarshr

7
ด้วยวิธีนี้ html "<html> <body> <div> บรรทัด 1 </div> <div> บรรทัด 2 </div> <div> บรรทัด 3 </div> </body> </html>" ผลลัพธ์: "line 1line 2line 3" โดยไม่มีบรรทัดใหม่
JohnC

2
สิ่งนี้ไม่ได้ผลสำหรับฉัน <br> ไม่ได้สร้างตัวแบ่งบรรทัด
JoshuaD

43

ด้วย

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

คุณมีผลลัพธ์

"A B" 

และไม่

A

B

สำหรับสิ่งนี้ฉันใช้:

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

2
อันที่จริงนี่เป็นวิธีบรรเทาที่ง่าย แต่ IMHO สิ่งนี้ควรได้รับการจัดการอย่างเต็มที่โดยไลบรารี Jsoup เอง (ซึ่งในขณะนี้มีพฤติกรรมรบกวนเล็กน้อยเช่นนี้ - มิฉะนั้นจะเป็นห้องสมุดที่ยอดเยี่ยม!)
SRG

5
JSoup ไม่ให้ DOM แก่คุณ? ทำไมไม่เพียงแทนที่<br>องค์ประกอบทั้งหมดด้วยโหนดข้อความที่มีบรรทัดใหม่แล้วเรียก.text()แทนการแปลง regex ซึ่งจะทำให้เอาต์พุตไม่ถูกต้องสำหรับบางสตริงเช่น<div title=<br>'not an attribute'></div>
Mike Samuel

5
ดี แต่ "descrizione" นั้นมาจากไหน?
Steve Waters

"descrizione" แสดงถึงตัวแปรที่ข้อความธรรมดากำหนดให้
enigma969

23

ลองใช้ jsoup:

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));
}

ดีใช้ได้กับการเปลี่ยนแปลงเล็กน้อย new Document.OutputSettings().prettyPrint(true)
Ashu

วิธีนี้จะออกจาก "& nbsp;" เป็นข้อความแทนที่จะแยกวิเคราะห์ลงในช่องว่าง
Andrei Volgin

13

ใน Jsoup v1.11.2 ตอนนี้เราสามารถใช้Element.wholeText()ไฟล์.

รหัสตัวอย่าง:

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

user121196's คำตอบยังใช้งานได้ แต่wholeText()รักษาการจัดตำแหน่งของข้อความ


คุณสมบัติสุดยอด!
Denis Kulagin

8

สำหรับ HTML ที่ซับซ้อนมากขึ้นไม่มีวิธีใดในข้างต้นที่ทำงานได้ดี ฉันสามารถทำการแปลงได้สำเร็จในขณะที่รักษาการแบ่งบรรทัดด้วย:

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

(เวอร์ชัน 1.10.3)


1
สุดยอดคำตอบ! ขอบคุณ Andy Res!
Bharath Nadukatla

6

คุณสามารถสำรวจองค์ประกอบที่กำหนด

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();               
}

และสำหรับรหัสของคุณ

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

ฉันคิดว่าคุณควรจะทดสอบว่าisBlockในtail(node, depth)แทนและผนวก\nเมื่อออกจากบล็อกมากกว่าเมื่อเข้าสู่มันได้หรือไม่ ฉันทำอย่างนั้น (เช่นใช้tail) และใช้งานได้ดี อย่างไรก็ตามถ้าฉันใช้headเหมือนที่คุณทำสิ่งนี้<p>line one<p>line twoจะจบลงเป็นบรรทัดเดียว
KajMagnus

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

ใช้งานได้ถ้า html เองไม่มี "br2n"

ดังนั้น,

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

ทำงานได้อย่างน่าเชื่อถือและง่ายขึ้น


4

ลองใช้ jsoup:

    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

ใช้textNodes()เพื่อรับรายการโหนดข้อความ จากนั้นเชื่อมเข้าด้วยกัน\nเป็นตัวคั่น นี่คือรหัส scala ที่ฉันใช้สำหรับสิ่งนี้พอร์ต java ควรจะง่าย:

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

3

จากคำตอบอื่น ๆ และความคิดเห็นเกี่ยวกับคำถามนี้ดูเหมือนว่าคนส่วนใหญ่ที่มาที่นี่กำลังมองหาวิธีแก้ปัญหาทั่วไปที่จะให้การแสดงข้อความธรรมดาที่มีรูปแบบสวยงามของเอกสาร HTML ฉันรู้ว่าฉันเป็น

โชคดีที่ JSoup มีตัวอย่างที่ครอบคลุมเกี่ยวกับวิธีการบรรลุเป้าหมายนี้: HtmlToPlainText.java

ตัวอย่างFormattingVisitorสามารถปรับแต่งตามความต้องการของคุณและจัดการกับองค์ประกอบบล็อกและการตัดบรรทัดส่วนใหญ่

เพื่อหลีกเลี่ยงการเชื่อมโยงเน่านี่คือวิธีแก้ปัญหาของJonathan Hedleyแบบเต็ม:

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

นี่คือเวอร์ชันของการแปล html เป็นข้อความของฉัน (เวอร์ชันแก้ไขของ user121196 คำตอบจริง)

สิ่งนี้ไม่เพียง แต่สงวนการแบ่งบรรทัด แต่ยังจัดรูปแบบข้อความและลบตัวแบ่งบรรทัดที่มากเกินไปสัญลักษณ์ Escape HTML และคุณจะได้รับผลลัพธ์ที่ดีขึ้นมากจาก HTML ของคุณ (ในกรณีของฉันฉันได้รับจากอีเมล)

เดิมเขียนด้วย Scala แต่คุณสามารถเปลี่ยนเป็น Java ได้อย่างง่ายดาย

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()      
}

คุณต้องขึ้นบรรทัดใหม่ให้กับแท็ก <div> ด้วย มิฉะนั้นหาก div ตามหลังแท็ก <a> หรือ <span> แท็กนั้นจะไม่ขึ้นบรรทัดใหม่
Andrei Volgin

2

ลองสิ่งนี้:

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

1
<p> <b> สวัสดีชาวโลก </b> </p> <p> <br /> <b> yo </b> <a href=" google.com"> googlez </a> </ p > แต่ฉันต้องการ hello world yo googlez (ไม่มีแท็ก html)
Billy

คำตอบนี้ไม่ส่งคืนข้อความธรรมดา มันส่งคืน HTML พร้อมกับการแทรกบรรทัดใหม่
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;
}

ใช้โดยการเรียกด้วย html ที่เป็นปัญหาซึ่งมี br พร้อมด้วยสตริงใด ๆ ที่คุณต้องการใช้เป็นตัวยึดตำแหน่งขึ้นบรรทัดใหม่ชั่วคราว ตัวอย่างเช่น:

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

การเรียกซ้ำจะช่วยให้มั่นใจได้ว่าสตริงที่คุณใช้เป็นตัวยึดตำแหน่งขึ้นบรรทัดใหม่ / ตัวแบ่งบรรทัดจะไม่อยู่ใน html ต้นทางเนื่องจากจะเพิ่ม "1" ไปเรื่อย ๆ จนกว่าสตริงตัวยึด linkbreaker จะไม่พบใน html จะไม่มีปัญหาในการจัดรูปแบบที่ดูเหมือนว่าวิธีการ Jsoup.clean จะพบกับอักขระพิเศษ


ดี แต่คุณไม่ต้องการการเรียกซ้ำเพียงเพิ่มบรรทัดนี้: while (dirtyHTML.contains (linebreakerString)) linebreakerString = linebreakerString + "1";
Dr NotSoKind

อ่าใช่ เป็นจริงอย่างสมบูรณ์ เดาใจของฉันจมอยู่กับความสามารถในการใช้การเรียกซ้ำได้จริง ๆ :)
Chris6647

1

จากคำตอบของ user121196 และ Green Beret ด้วยselects and <pre>s ทางออกเดียวที่เหมาะกับฉันคือ:

org.jsoup.nodes.Element elementWithHtml = ....
elementWithHtml.select("br").append("<pre>\n</pre>");
elementWithHtml.select("p").prepend("<pre>\n\n</pre>");
elementWithHtml.text();
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.