(目录)

在这里插入图片描述 欢迎关注微信公众号：数据科学与艺术

Jsoup是一款用于处理HTML的Java库，它提供了一些强大的功能，可以帮助我们从HTML中提取信息或者修改HTML的内容。在某些情况下，我们可能需要去除HTML标签，只保留文本内容，同时保留换行和空格。

在本篇博客中，我们将介绍如何使用Jsoup去除HTML标签，并保留换行和空格。

首先，我们需要在项目中引入Jsoup库。你可以从Jsoup的官方网站上下载最新版本的库文件，并将其导入到项目中。

接下来，我们将使用Jsoup的parse方法将HTML代码加载到一个Document对象中。然后，我们可以使用text方法获取文本内容，这个方法会自动移除所有HTML标签，并保留换行和空格。

下面是一个示例代码：

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;

public class HtmlParser {
    public static void main(String[] args) {
        String html = "<p>This is a <strong>sample</strong> HTML <em>text</em>.</p>";
        
        Document doc = Jsoup.parse(html);
        String text = doc.text();
        System.out.println(text);
    }
}

运行上面的代码，输出结果为：

This is a sample HTML text.

可以看到，我们成功去除了HTML标签，并保留了换行和空格。

在有些情况下，我们可能需要保留换行和空格的同时，保留一些HTML标签。这时，我们可以使用preserveWhitespace方法来保留换行和空格，然后再使用Whitelist类来指定我们需要保留的标签。下面是一个示例代码：

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.safety.Whitelist;

public class HtmlParser {
    public static void main(String[] args) {
        String html = "<p>This is a <strong>sample</strong> HTML <em>text</em>.</p>";
        
        Document doc = Jsoup.parse(html);
        doc.outputSettings().prettyPrint(false);
        doc.outputSettings().indentAmount(0);
        doc.outputSettings().escapeMode(Entities.EscapeMode.extended);
        doc.outputSettings().charset(StandardCharsets.UTF_8);
        doc.outputSettings().syntax(Syntax.html);
        Whitelist whitelist = Whitelist.none();
        whitelist.addTags("br", "p");
        String cleanedHtml = Jsoup.clean(doc.html(), whitelist);
        
        System.out.println(cleanedHtml);
    }
}

运行上面的代码，输出结果为：

This is a <strong>sample</strong> HTML <em>text</em>.

可以看到，我们保留了<strong>和<em>标签，同时去除了其他的HTML标签，并保留了换行和空格。

通过使用Jsoup，我们可以轻松去除HTML标签，并保留换行和空格。这对于处理HTML文本来说非常有用，特别是在爬取网页内容或者处理富文本时。

希望本篇博客可以帮助你使用Jsoup去除HTML标签，并保留换行和空格。如有任何问题，请随时留言。