Java Jsoup：提取所有文本答案

【问题标题】：Java Jsoup : Extract all the textJava Jsoup：提取所有文本
【发布时间】：2018-06-09 15:16:06
【问题描述】：

我有以下代码。 doc.body.text() 语句不输出样式和脚本标签中的文本。我阅读了 .text() 函数代码，它查找 TextNode 的所有实例。 Jsoup 中的 TextNode 是什么。

为什么.text() 输出中不包含脚本文本。

String contex = "<html><body><style>style</style><div>div</div><script>script</script><p>paragraph</p>body</body></html>";
    Document doc = Jsoup.parse(contex, "UTF-8");
    String text = doc.body().text();
    System.out.println("Test text : " + text);

输出：段落正文

【问题讨论】：

标签： javascript java html parsing jsoup

【解决方案1】：

为此，您需要使用org.jsoup.select.Elements 来解析<script> 等标签。

String contex = "<html><body><style>style</style><div>div</div><script>scripts</script><p>paragraph</p><p>body</p><script>787878</script></body></html>";
        Document doc =Jsoup.parse(contex, "UTF-8");
         Elements scriptElements = doc.getElementsByTag("script");

         for (Element el :scriptElements ){                
                for (DataNode dn : el.dataNodes()) {
                    System.out.println(dn.getWholeData());
                }
          }

操作：

scripts
787878

【讨论】：

.text() 函数涵盖的所有元素是什么？元素，我的意思是 div、p、h 等 ..
@user8788828 除了style、script 和CData 之外的所有内容。

【解决方案2】：

为什么.text() 输出中不包含脚本文本。

因为script 和style 有数据，而不是文本。

要从script的数据中获取数据，请使用getElementsByTag

Elements scriptElements = doc.getElementsByTag("script");

通过getWholeData访问

for (Element element :scriptElements ){                
    for (DataNode node : element.dataNodes()) {
        System.out.println(node.getWholeData());
    }
    System.out.println("-------------------");            
}

根据source code，对于style 或script 标签被视为dataNode 而不是textNode

void insert(Token.Character characterToken) {
        Node node;
        // characters in script and style go in as datanodes, not text nodes
        final String tagName = currentElement().tagName();
        final String data = characterToken.getData();

        if (characterToken.isCData())
            node = new CDataNode(data);
        else if (tagName.equals("script") || tagName.equals("style"))
            node = new DataNode(data);
        else
            node = new TextNode(data);
        currentElement().appendChild(node); // doesn't use insertNode, because we don't foster these; and will always have a
   stack.
    }

【讨论】：