JSoup-在标签之间获取文本

Question

场景：我使用Apache Tika从DOCX文件获得XHTML。我需要解析此XHTML以在特定标记（例如div或p标记）之间获取文本。为此，我使用Jsoup在标签之间获取文本。

问题：本来XHTML有这样的文字：

some text [tab-space][tab-space] other text. 

但随着Jsoup我得到这个：

some text other text. 

所以标签空间失踪，但我需要获取文本因为它包括tag-spaces。是否有可能使用Jsoup或者是否有其他Java库这样做？

Answer 1

使用getWholeText方法TextNodes：https://jsoup.org/apidocs/org/jsoup/nodes/TextNode.html#getWholeText--

final Document doc = Jsoup.parse(new File(".\\source.xhtml"), "UTF-8"); 

for (Element result : doc.select("div")) { 
    final String text = ((TextNode) result.childNode(0)).getWholeText(); 
    System.out.println(text); 
}