jsoup 删除外部 html 标记 - 代码 HTML 元素

Question

这看起来很简单，但显然我做错了什么。这是我的 HTML - 我正在尝试在 pre 标签下创建单数代码标签和嵌套代码标签 - 生成的内容将是“带有代码的单行框”以及带有 pre 标签“带有代码的大框”。还有一些我无法使用标准方法摆脱的空段落标签 - 在测试段落中没有文本后删除元素。这是输入

        <h1>Module Description and Learning Objectives</h1>  
        <p> 
        </p> 
        <pre>                
        <p>
        <code>2020-02-13 12:49:15 DEBUG StackTraceElement:48 -</code>
        </p>
        <p>
        <code>2020-02-13 12:49:15 DEBUG StackTraceElement:48 - sects.title</code>
        </p>
        <p>
        <code>2020-02-13 12:49:15 DEBUG StackTraceElement:48 - sects.id=1</code>
        </p>
        <p>
        </p>
        </pre> 
        <p>Sentence 1</p> 
        <p> 
        <code>System.out.println("id:"+element.attr("id"));</code> 
        </p> 
        <p>Sentence 2</p> 
        <p> 
        <code>System.out.println("src:"+element.attr("src"));</code> 
        </p> 
        <p>Sentence 3</p> 
        <p> 
        <code>System.out.println("alt:"+element.attr("alt"));</code> 
        </p> 
        <p> 
        </p> 

这是我的代码（不要像结构一样遵循名称，中间代码名称:)

          Elements pWithCodeTagList = docXMLformat.select("code");
          if (pWithCodeTagList.size() > 0) {
              for (Element pTag : pWithCodeTagList) {
                   System.out.println("pTag=" + pTag.text() + " " + pTag.tagName());
                   pTag.unwrap();
              }
          }

这是 eclipse 中的输出 - 我确实在选择代码标签并期望父 p 消失

 pTag=2020-02-13 12:49:15 DEBUG StackTraceElement:48 - code
 pTag=2020-02-13 12:49:15 DEBUG StackTraceElement:48 - sects.title code
 pTag=2020-02-13 12:49:15 DEBUG StackTraceElement:48 - sects.id=1 code
 pTag=System.out.println("id:"+element.attr("id")); code
 pTag=System.out.println("src:"+element.attr("src")); code
 pTag=System.out.println("alt:"+element.attr("alt")); code

这是结果：我希望段落标签消失，而不是代码标签！

   <h1>Module Description and Learning Objectives</h1> 
                <p> 
                </p> 
                <pre>                
                    <p>
                    2020-02-13 12:49:15 DEBUG StackTraceElement:48 -
                </p>
                    <p>
                    2020-02-13 12:49:15 DEBUG StackTraceElement:48 - sects.title
                </p>
                    <p>
                    2020-02-13 12:49:15 DEBUG StackTraceElement:48 - sects.id=1
                </p>
                    <p>
                    </p>
                </pre> 
                <p>Sentence 1</p> 
                <p> System.out.println("id:"+element.attr("id")); </p> 
                <p>Sentence 2</p> 
                <p> System.out.println("src:"+element.attr("src")); </p> 
                <p>Sentence 3</p> 
                <p> System.out.println("alt:"+element.attr("alt")); </p> 
                <p> 
                </p> 

我已经接触过文档的这个区域，在此之前我已经删除了代码标签周围的跨度标签，并且不得不从行内容中删除所有行控制字符，也许 PRE 和 CODE 不能像其他标签 - 我知道他们不应该这样做，但是......而且，我试图将标签和内容保持在同一行，这样我的“代码框”就尽可能地纤细了：

 <pre>                
 <code>2020-02-13 12:49:15 DEBUG StackTraceElement:48 -</code>
 <code>2020-02-13 12:49:15 DEBUG StackTraceElement:48 - sects.title</code>
 <code>2020-02-13 12:49:15 DEBUG StackTraceElement:48 - sects.id=1</code>
  </pre> 
  <p>Sentence 1</p> 
  <code>System.out.println("id:"+element.attr("id"));</code> 
  <p>Sentence 2</p> 
  <code>System.out.println("src:"+element.attr("src"));</code> 
  <p>Sentence 3</p> 
  <code>System.out.println("alt:"+element.attr("alt"));</code> 

Answer 1

您的选择器正在选择 code 元素，而不是 p 元素，这就是它们被删除的原因。您应该选择具有code 标记的p 元素和unwrap() 那些。 p:has(code)

此外，如果您想将它们全部解包，则不需要迭代它们并在每个上调用 unwrap（除非您想为每个它们执行额外的逻辑）。你可以拨打Elements#upwrap()

Elements pWithCodeTagList = docXMLformat.select("p:has(code)");
pWithCodeTagList.unwrap();

要找到空的p 标签，您可以使用:matches 选择器，它在文本上执行正则表达式，然后只查找空格或什么都没有：p:matches(^\s?$)

Elements emptyPs = docXMLformat.select("p:matches(^\\s?$)");
emptyPs.remove();