Jsoup提取文本时保留标签

使用Jsoup来对html进行处理比较方便，你可能会用它来提取文本或清理html标签。如果你想提取文本时保留标签，可以使用Jsoup.clean方法，参数为html及标签白名单：

Jsoup.clean(html, new Whitelist().addTags("img").addAttributes("img", "data-original", "align", "alt", "height", "src", "title", "width")
.addProtocols("img", "src", "http", "https"));//只能是http/https开头的绝对地址

但是使用时发现对于html片段，上面返回的结果可能令人意想不到。

另外的方式为将标签进行urlencode转换：

Document doc = Jsoup.parseBodyFragment(partHtml);
Elements elements = doc.select("img");
for (Element element : elements) {
//将标签X替换为<X>与</X>
element.replaceWith(new TextNode(element.toString(),""));
}

之后再使用doc.text()或Jsoup.clean提取出文本，注意text会将p等标签转为空格而不是换行符，而clean默认会转为换行符。