java - 如何根据 html 实体的视觉表示（或至少接近它）获取页面的换行符？

Question

我有一个网页的一部分我确定为我感兴趣的领域。它可能包含多个 html 标签，但我想将其解释为多行文本，或者至少尽可能接近浏览器的呈现方式。

让我给你举个例子。

<div>
<p>Line 1<p>
</div>
<div><p>Line 2<p></div> <div><p>Line 3 <p></div>
<p>Line 4<p></div><br />Line 5

在浏览器中，它是这样呈现的：

Line 1

Line 2

Line 3

Line 4

Line 5

我想通过某种 lib 运行原始 html 并获取包含以下内容（或关闭）的文本：

Line 1
Line 2
Line 3
Line 4
Line 5

请注意，我不想恢复 Html 中存在的原始换行符（正如这个问题所指出的那样。我想将 html 实体解释为类似于浏览器呈现方式的换行符。是否有任何库可以吗？我使用了 Jsoup 的TextNode.getWholeText()但它不解析 html 标签。

编辑：对于那里的 linux 用户，我想要类似于以下结果的东西：

$ lynx -dump file.html > file.txt

Answer 1

默认情况下，HTML 中的<div> tags and <p>标签周围有填充和边距块。所以很明显这就是浏览器呈现它的原因。

创建一个 CSS 文件并禁用填充和边距。

另外，为什么要标记 Java？如果您在 Java Servlet 页面中执行此操作，请检查您的System.out.println语句。