Question

我想将包含普通文本和html代码的单个字符串拆分为字符串数组。我试图在谷歌上搜索但没有找到任何合适的建议。

考虑以下字符串：

  blahblahblahblahblahblahblahblahblahblah
  blahblah第一段blahblahblahblah
  blahblahblahblahblahblahblahblahblahblah
<html>
  <body>
    <p>hello</p>
  </body>
</html>
     blahblahblahblahblahblahblahblahblahblah
  blahblah Second Para lahblahblahblahblah
  blahblahblahblahblahblahblahblahblahblah

这变为：

s[0]=whole first para
s[1]=html code
s[2]=whole second para

是否可以通过jsoup？或者我需要任何其他api？

Answer 1

使用jQuery是可能的。以下是代码段。

var str = "blablabla <html><body><p>hello</p></body></html> blabla";

var parsedHTML = $.parseHTML(str);
myList = [];

// loop through parsed text and put it into text based on its type
$.each(parsedHTML, function( i, el ) {
    if (el.nodeType < 3) myList[i] = el.nodeName;
    else myList[i] = el.data;
});
// use myList ...

这是一个小提琴，向您展示它的工作原理。唯一的缺点是解析了<html>和<body>标记，而不是在解析的HTML中获取。

jsfiddle example

Answer 2

可以使用JSoup

完成此操作

简单使用示例：

String html = "<html><head><title>First parse</title></head>"
 + "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);

然后，您可以导航DOM结构以提取信息。

<强>更新

要获取包含所有标记的文本，您可以将整个字符串包装在<meta> ... </meta>标记中;然后解析它，访问各个组件，最后将组件序列化为字符串。

或者，如果您认为代码格式正确（使用匹配的开头和结尾标记），您可以搜索正则表达式的第一个匹配

/<(html|body)\s*>/

根据第一个标记（匹配）的内容，您可以查找匹配关闭标记的最后一个匹配项。

更多手动，更容易出错，不推荐。但是，由于您有非标准问题，您似乎可能需要非标准解决方案。

单独的html编码字符串和普通字符串

2 个答案: