使用Jsoup.parse时如何保持换行符？
这不是重复的。 这是一个类似的问题 ，但这些答案中没有一个能够处理真正的html文件。 一个人可以保存任何HTML，即使是这个，并试图运行任何解决方案的答案…他们都没有完全解决问题
问题是
我的桌面上有一个已保存的.htm文件。 我需要从中获取纯文本。 但是我确实需要保留换行符，以便文本不在一行或几行上。
我从这里尝试了以下和所有方法
FileInputStream in = new FileInputStream("C:\\...myfile.htm"); String htmlText = IOUtils.toString(in); for (String line : htmlText.split("\n")) { String stripped = Jsoup.parse(line).text(); System.out.println(stripped); }
这确实只保留了html文件的行。 但是，文本仍然混乱，因为 ，
被删除。 我如何解析，以便文本保留所有自然换行符。
这是我注意到jsoup和Selenium之间的区别，其中Selenium保留了换行符，而jsoup在提取文本时没有。 话虽如此，我认为最好的方法是在你试图提取文本的节点上获取innerHtml，然后在innerHtml上执行replaceAll，用换行符替换和
。
作为一个更完整的解决方案，而不是逐行读取文本文件，是否可以更原生地遍历html文本？ 您最好的选择是使用类似递归函数的方式遍历树，当您点击TextNode时，将该文本添加到示例中的剥离变量中。 然后，当您点击
或元素时，可以根据需要添加换行符。
就像是：
Document doc = Jsoup.parse(htmlText);
然后在每个子节点的递归函数中传递它：
String getText(Element parentElement) { String working = ""; for (Node child : parentElement.childNodes()) { if (child instanceof TextNode) { working += child.text(); } if (child instanceof Element) { Element childElement = (Element)child; // do more of these for p or other tags you want a new line for if (childElement.tag().getName().equalsIgnoreCase("br")) { working += "\n"; } working += getText(childElement); } } return working; }
然后你可以调用函数来去除文本。
strippedText = getText(doc);
这不是最简单的解决方案，但如果你想从HTML中提取所有文本，那么我能想到的解决方案应该可行。 我没有运行此代码，只是现在写了所以如果我错过了什么，我道歉。 但它应该给你一般的想法。