String
電子メールの内容の一部を含むがあります。これからすべてのHTMLコーディングを削除したいと思いますString
。
これは現時点での私のコードです:
public static String html2text(String html) {
Document document = Jsoup.parse(html);
document = new Cleaner(Whitelist.basic()).clean(document);
document.outputSettings().escapeMode(EscapeMode.xhtml);
document.outputSettings().charset("UTF-8");
html = document.body().html();
html = html.replaceAll("<br />", "");
splittedStr = html.split("Geachte heer/mevrouw,");
html = splittedStr[1];
html = "Geachte heer/mevrouw,"+html;
return html;
}
このメソッドは、すべてのHTMLを削除し、行とほとんどのレイアウトを保持します。&
ただし、完全に削除されていない一部のnbsp;
タグも返されます。にまだいくつかのタグがあり、その一部でさえあることがわかるので、以下の出力を参照してくださいString
。これらを取り除くにはどうすればよいですか?
Loonheffingen &n= bsp; Naam
nr in administratie &nbs= p; meldingen
nummer
1 &n= bsp; = ; 0 &= nbsp; &nbs= p; 1
123456789L01
編集:
<span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">De afgekeurde meldingen zijn opgenomen in de bijlage: Afgekeurde meldingen.</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
<span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">Wilt u zo spoedig mogelijk zorgdragen dat deze</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
<span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">meldingen gecorrigeerd worden aangeleverd?</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
<span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">mer</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
<span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">Volg Aantal verwerkt Aantal afgekeurde</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
<span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif"> Loonheffingen Naam</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
<span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">nr in administratie meldingen</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
<span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif"> nummer</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
<br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif"><span style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">1 0 1</span><br style="color:rgb(34,34,34);font-size:13px;font-family:arial,sans-serif">
これは、私が解析しようとしているHTMLの一部です。すべてのHTMLを削除したいのですが、元の電子メールのレイアウトはそのままにしておきます。
どんな助けでもありがたいです、
ありがとう!
解決しました
Document xmlDoc = Jsoup.parse(file, "", Parser.xmlParser());
Elements spans= xmlDoc.select("span");
for (Element link : spans) {
String html = textPlus(link);
System.out.println(html);
}
public static String textPlus(Element elem) {
List<TextNode> textNodes = elem.textNodes();
if (textNodes.isEmpty()) {
return "";
}
StringBuilder result = new StringBuilder();
// start at the first text node
Node currentNode = textNodes.get(0);
while (currentNode != null) {
// append deep text of all subsequent nodes
if (currentNode instanceof TextNode) {
TextNode currentText = (TextNode) currentNode;
result.append(currentText.text());
} else if (currentNode instanceof Element) {
Element currentElement = (Element) currentNode;
result.append(currentElement.text());
}
currentNode = currentNode.nextSibling();
}
return result.toString();
}
この質問に対する回答としてコードが提供されました。