Jsoup: Извлечь текст как человек прочитал бы его

Question

Мне нужно извлечь весь текст из фрагмента HTMl.

Пример:

ВХОД: <p><div>how are</div> you doing?</p><p>I'm doing well</p>

ВЫВОД: how are you doing? I'm doing well

я нашел вопросы, такие, как этот Text Extraction from HTML Java, что имеют дело с подобными проблемами, но все они просто удалите теги <p>, но не удаляйте внутренние элементы.

Изначально я пробовал перечислять через детей каждого тега <p> и конкатенировать их содержимое, а также рекурсивно изучать каждого внука и конкатенировать его детей и так далее, пока не будет только текст. Проблема в том, что какой-то текст не окружен тегом и просто прост.

Я также пробовал Jsoup.parse(html).select("p").text(), но я получаю "[]I'm doing well" в качестве выхода.

Это похоже на очень распространенную потребность в программах типа веб-гусениц, но я не могу найти решение.

Answer 1

Попробуйте это:

Document doc = Jsoup.parse("<p><div>how are</div> you doing?</p><p>I'm doing well</p>"); 
String body = doc.body().text();