Suppression d'entités HTML, tout en préservant les sauts de ligne avec JSoup

J'ai été en utilisant JSoup pour analyser les paroles et il a été formidable jusqu'à présent, mais se sont heurtés à un problème.

Je peux utiliser Node.html() pour retourner le HTML complet du nœud, qui permet de conserver les sauts de ligne en tant que tel:

Glóandi augu, silfurnátt
<br />Bl&oacute;&eth; alv&ouml;ru, starir &aacute;
<br />&Oacute;&eth;ur hundur er &iacute; v&iacute;gam&oacute;&eth;, &iacute; maga... m&eacute;r
<br />
<br />Kolni&eth;ur gref, kvik sem dreg h&eacute;r
<br />Kolni&eth;ur svart, hvergi bjart n&eacute;

Mais a l'inconvénient effet, comme vous pouvez le voir, de retenir les entités HTML et les balises.

Cependant, si j'utilise Node.text(), je peux obtenir un meilleur aspect, gratuit de balises et d'entités:

Glóandi augu, silfurnátt Blóð alvöru, starir á Óður hundur er í vígamóð, í maga... mér Kolniður gref, kvik sem dreg hér Kolniður svart,

Qui a une autre malheureuse côté-effet de supprimer les sauts de ligne et de la compression en une seule ligne.

Remplaçant simplement <br /> à partir du nœud avant d'appeler Node.text() donne le même résultat, et il semble que cette méthode est la compression du texte sur une seule ligne dans la méthode elle-même, ignorant les retours à la ligne.

Est-il possible d'avoir le meilleur des deux mondes, et ont des étiquettes et des entités remplacées correctement qui en préservant les sauts de ligne, ou est-il une autre méthode ou un moyen de décodage des entités et de la suppression de balises sans avoir à les remplacer manuellement?

Double Possible de Comment faire pour préserver les sauts de ligne lors de l'utilisation de jsoup pour convertir html en texte brut?

OriginalL'auteur joshschreuder | 2011-03-18

  1. 2

    (avis de non responsabilité) je n'ai pas utilisé cette API ...
    mais un rapide coup d'oeil à la documentation suggère que vous pourriez visiter chaque descendant du nœud et de la vider de son contenu de texte. Les pauses pourrait être inséré lorsque des balises spéciales comme <br> sont rencontrés.

    La TextNode.getWholeText() appel semble également utile.

    Utilisé TextNode.createFromEncoded(paroles, "aURI"); pour créer un TextNode de l'HTML, puis getWholeText() pour obtenir le texte lui-même. Il laisse <br /> intact, mais remplace les entités entièrement, et je peux juste remplacer le minimum de balises HTML manuellement, donc merci 🙂
    Dois mentionner que je n'ai pas lu l'API, mais j'ai clairement manqué la fonction que vous l'avez souligné.

    OriginalL'auteur qwerty

  2. 1

    basée sur une autre réponse de stackoverflow j'ai ajouté quelques correctifs et est venu avec

        String text = Jsoup.parse(html.replaceAll("(?i)<br[^>]*>", "br2nl").replaceAll("\n", "br2nl")).text();
    text = text.replaceAll("br2nl ", "\n").replaceAll("br2nl", "\n").trim();

    Espère que cette aide

    OriginalL'auteur petrumo