jsoupを使用してhtmlをプレーンテキストに変換するときに改行を保持するにはどうすればよいですか?


101

私は次のコードを持っています:

 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)));
}

そして私は結果を持っています:

hello world yo googlez

しかし、私は一線を引きたいと思います:

hello world
yo googlez

私はjsoupのTextNode#getWholeText()を見ましたが、それを使用する方法がわかりません。

<br>解析するマークアップにがある場合、結果の出力で改行を取得するにはどうすればよいですか?


テキストを編集します-質問に改行は表示されません。一般に、投稿する前に質問のプレビューを読んで、すべてが正しく表示されていることを確認してください。
ロビングリーン

私は(jsoup要件なし)に同じ質問をし、私はまだ良い解決策はありません。stackoverflow.com/questions/2513707/...を
エドゥアルド

@zeenosaurの回答を参照してください。
Jang-Ho Bae

回答:


102

改行を保持する実際のソリューションは次のようになります。

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));
}

次の要件を満たしています。

  1. 元のhtmlに改行(\ n)が含まれている場合、それは保持されます
  2. 元のHTMLにbrまたはpタグが含まれている場合、それらはnewline(\ n)に変換されます。

5
これが選択された回答になるはずです
13

2
br2nlは、最も有用で正確なメソッド名ではありません
DD。

2
これが最良の答えです。しかしfor (Element e : document.select("br")) e.after(new TextNode("\n", ""));、シーケンスではなく、実際の改行を追加するのはどうですか?\ n 違いについては、Node :: after()およびElements :: append()を参照してください。replaceAll()この場合には必要になることはありません。pおよびその他のブロック要素についても同様です。
user2043553 2014年

1
@ user121196の回答が選択された回答になります。入力HTMLをクリーンアップした後もHTMLエンティティが残っている場合は、StringEscapeUtils.unescapeHtml(...)ApacheコモンをJsoupクリーンからの出力に適用します。
karth500

6
この問題の包括的な回答については、github.com / jhy / jsoup / blob / master / src / main / java / org / jsoup /…を参照してください。
マルコムスミス

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

ここではこの方法を使用しています。

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

これを渡すことによりWhitelist.none()、すべてのHTMLが確実に削除されます。

パスnew OutputSettings().prettyPrint(false)することで、出力が再フォーマットされず、改行が保持されるようになります。


これが唯一の正しい答えです。他のすべては、brタグのみが新しい行を生成すると想定しています。どのようなHTML内の他のブロック要素についてdivpulなど?それらすべてはまた新しいラインを導入します。
adarshr 2014

7
このソリューションでは、html「<html> <body> <div> line 1 </ div> <div> line 2 </ div> <div> line 3 </ div> </ body> </ html>」が生成されます出力: "line 1line 2line 3"、改行なし。
JohnC、2015

2
これではうまくいきません。<br>は改行を作成していません。
JoshuaD 2017

43

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

あなたは出力を持っています

"A B" 

ではなく

A

B

このために私は使用しています:

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

2
確かにこれは簡単な緩和ですが、私見ではこれはJsoupライブラリ自体によって完全に処理される必要があります(現時点では、このようないくつかの不穏な動作があります-それ以外の場合は素晴らしいライブラリです!)。
SRG

5
JSoupはDOMを提供しませんか?理由だけですべて置き換えるものではありませ<br>改行を含むテキストノードと要素を、次に呼び出す.text()ことがのようないくつかの文字列に誤った出力が発生します変換の代わりに、正規表現をしている<div title=<br>'not an attribute'></div>
マイク・サミュエル

5
いいですが、その「記述子」はどこから来たのですか?
Steve Waters、

"descrizione"は、プレーンテキストが割り当てられる変数を表します
enigma969

23

jsoupを使用してこれを試してください:

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));
}

小さな変更でうまく new Document.OutputSettings().prettyPrint(true)
Ashu

このソリューションは「&nbsp;」を残します それらをスペースに解析する代わりにテキストとして。
Andrei Volgin

13

Jsoup v1.11.2では、を使用できるようになりましたElement.wholeText()

コード例:

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

user121196's 答えはまだ機能します。ただしwholeText()、テキストの配置は保持されます。


超素敵な機能!
Denis Kulagin

8

より複雑なHTMLの場合、上記のソリューションはどれも正しく機能しませんでした。改行を維持しながら変換を正常に行うことができました:

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

(バージョン1.10.3)


1
すべての答えの中で最高!Andy Resに感謝します。
Bharath Nadukatla

6

特定の要素をトラバースできます

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();               
}

そしてあなたのコードのために

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

私はあなたがどうかをテストすべきだと思うisBlocktail(node, depth)代わり、および追加\nそれを入力するときではなく、ブロックを出るとき?私はそれを実行しています(つまりを使用していますtail)。しかし、私headがあなたのように使用すると、これ<p>line one<p>line twoは結局1行になります。
KajMagnus 2015

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

HTML自体に「br2n」が含まれていない場合に機能します

そう、

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

より信頼性が高く、簡単に動作します。


4

jsoupを使用してこれを試してください:

    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

textNodes()テキストノードのリストを取得するために使用します。次に\n、区切り文字としてそれらを連結します。これが私がこれに使用するいくつかのscalaコードです、javaポートは簡単です:

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

3

他の回答とこの質問へのコメントに基づいて、ここに来るほとんどの人は、HTMLドキュメントの適切にフォーマットされたプレーンテキスト表現を提供する一般的なソリューションを本当に探しているようです。私はそうでした。

幸い、JSoopはこれを実現するためのかなり包括的な例を既に提供しています。HtmlToPlainText.java

この例FormattingVisitorは、好みに合わせて簡単に調整でき、ほとんどのブロック要素と行の折り返しを扱います。

リンクの腐敗を避けるために、ここにJonathan Hedleyの完全なソリューションがあります。

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

これは、htmlをテキストに翻訳する私のバージョンです(実際には、user121196の回答の修正バージョンです)。

これは改行を保持するだけでなく、テキストの書式設定と過剰な改行、HTMLエスケープシンボルの削除も行います。HTMLの方がはるかに良い結果が得られます(私の場合はメールから受信しています)。

もともとはScalaで書かれていますが、Javaに簡単に変更できます。

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()      
}

<div>タグにも改行を追加する必要があります。それ以外の場合、divが<a>または<span>タグの後に続く場合、新しい行にはありません。
Andrei Volgin

2

これを試して:

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

1
<p> <b> hello world </ b> </ p> <p> <br /> <b> yo </ b> <a href=" google.com"> googlez </a> </ p > hello world yo googlez(htmlタグなし)が必要
ビリー

この回答はプレーンテキストを返しません。改行が挿入されたHTMLを返します。
KajMagnus 2015

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;
}

一時的な改行プレースホルダーとして使用する文字列とともに、brを含む問題のhtmlで呼び出すことによって使用されます。例えば:

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

再帰により、改行/改行プレースホルダーとして使用する文字列がソースhtmlに実際に存在することはなくなります。これは、リンクブレーカープレースホルダー文字列がhtmlで見つからなくなるまで「1」を追加し続けるためです。Jsoup.cleanメソッドが特殊文字に遭遇するように見えるようなフォーマットの問題はありません。


良いものですが、再帰は必要ありません。次の行を追加してください:while(dirtyHTML.contains(linebreakerString))linebreakerString = linebreakerString + "1";
NotSoKind博士2014年

ああ、そうです。完全に本当です。実際に再帰を使用できるようになったことに私の心が巻き込まれたと思います:)
Chris6647 14年

1

user121196とselectsと<pre>sによるGreen Beretの回答に基づいて、私にとって有効な唯一の解決策は次のとおりです。

org.jsoup.nodes.Element elementWithHtml = ....
elementWithHtml.select("br").append("<pre>\n</pre>");
elementWithHtml.select("p").prepend("<pre>\n\n</pre>");
elementWithHtml.text();
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.