Question

这似乎是一个简单的解决方案，但我无法解决这个问题。

我有一系列元素，这些元素由<script src="https://cdnjs.cloudflare.com/ajax/libs/rxjs/5.5.7/Rx.js"></script> <input type="text" id="input1"> <input type="text" id="input2"> <input type="text" id="input3"> Combined value: 和＆lt; 以及一些p class="example">混合而成。

我想做的就是保留一切干净的...标签（包括标签和它的字符串）。

我目前使用的是我想要的大部分内容，但我似乎无法摆脱

<p><strong>...</strong></p>

基本上我想删除整个@Override public String fetchContent(String url) throws IOException { Document document = Jsoup.connect(url).get(); Element body = document.select("article.story_landing").first(); Elements elements = body.select("p:not([class])").select("p:not([id])"); StringBuilder stringBuilder = new StringBuilder(); for (Node child : elements) { if (child.attributes().size() <= 1) { stringBuilder.append(child.toString()); } } return stringBuilder.toString(); }标记，如果它在其属性及其正文中包含除文本之外的任何内容。

这么简单吗？

干杯

编辑＃1 我拥有的HTML示例，以及我想要的内容。对困惑感到抱歉！

<p></p>

我只想要干净的<div class="item-body"> Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus. Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus. Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus. LOREM IPSUM: *  <a href="https://example.com" title="">Some random link</a> *  <a href="https://example.com" title="">Some random link</a> *  <a href="https://example.com" title="">Some random link</a> *  <a href="https://example.com" title="">Some random link</a> *  Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus. Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus. Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus. <a class="some_class" href="http://example.com">Some rando link</a> <a class="some_class" href="http://example.com">Some rando link</a> Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed ac eleifend risus. </div>标签及其内容，其余的元素都可以删除。

<p>

Answer 1

如果您要删除其中包含元素的代码，您只需检查他们是否有任何包含以下代码的子代：

Elements allPTags = doc.getElementsByTag("p");

for(Element p : allPTags){
    // If size() isn't 0 it means that the p tag has children elements so 
    // remove it from the from the document.
    if(p.children().size() != 0){ 
        p.remove();
    }
}

我不确定我是否理解您对使用属性删除标记的要求，但是应该注意删除包含其中元素的标记。

Answer 2

问题不在于我是如何解析HTML的，问题是我对从jsoup对象调用时remove如何处理Element缺乏了解。它不会像我期望的那样将它从集合中删除，但它会将其从Document中删除。

正如您在问题中的代码中所看到的，我正在使用删除操作的结果来构建一个字符串，当然它将包含我不想要的元素，即使它们已从{ {1}}。

最终的工作解决方案（仍然是凌乱的）看起来像

Document

我发现非常有用的信息是this SO post，其中解释了删除操作。

如果有人有问题，仍然喜欢听到更好的解决方案！

Jsoup只保留干净的<p>标签并删除其他所有内容

2 个答案: