2

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。&amp;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       &amp;n= bsp; Naam
 nr         in administratie         &amp;nbs= p;           meldingen
  nummer

 1          &amp;n= bsp;            = ;     0            &amp;= nbsp;           &amp;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 &nbsp; &nbsp; Aantal verwerkt &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;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">&nbsp;Loonheffingen &nbsp; &nbsp; &nbsp; &nbsp; 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 &nbsp; &nbsp; &nbsp; &nbsp; in administratie &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; 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">&nbsp;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 &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;0 &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;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。

4

1 に答える 1

1

これを行うのではなく、JSoupによって返されるHTML構造を反復処理し、テキストノードを照合する必要があります。そうすれば、JSoupに実際のテキストを判別させることができ、エンティティのコーディングが自動的に処理されます（例：&amp;->&など）。

詳細については、このSOの質問を参照してください。

于 2012-12-21T10:57:01.980 に答える