Question

我正在尝试使用jSoup来允许Android WebView内的网页阅读器模式。

 Document doc = Jsoup.parse(url,3000);
 String justTheText = doc.text();

将此应用于CNN例如打印出每个菜单等等，因此并不是读者友好的。我想保留标题和文字，而不是摆脱图像。我需要以有序的方式呈现页面。

我需要的是保留图像，但丢弃无关的内容，并在文本中保留换行符。这必须是一般的，所以它适用于不同的页面。

如果我无法保留图像，并且必须将页面显示为纯文本，至少我需要一种方法来保留标题和换行符。而不是引入无关的文本和链接等。

Answer 1

这确实不是一项微不足道的任务，虽然它绝对可行（iOS的阅读模式做得非常好）。

您需要先找到一种方法来了解要过滤的元素，例如省略菜单。您可以通过查看标记名称和/或类名称并省略特定标记/类来尝试执行此操作。接下来，您要处理您想要包含的项目：获取包含文本的所有时间（并且可能在每行之后添加<br/>），包括图像等。

这是让你入门的东西（需要Java 8）：

        doc.body().getAllElements().stream()
            .filter(elem -> !elem.className().toLowerCase().matches(".*(menu|header|footer|logo|nav|search|link|button|btn|ad).*"))
            .forEach(elem -> {
                if (elem.hasText()) {
                    result.append(elem.text() + "<br/>");
                }
                if (elem.tagName().equals("img")) {
                    result.append(elem.toString());
                }
        });

jSoup清理网页但保留图像和换行符

1 个答案: