Java 使用Jsoup提取html文本，但返回意外结果

我正在尝试编写一个web spider来从html页面提取文本，并使用Jsoup解析html，简单代码如下：

File file = new File("test2.html");
Document doc = Jsoup.parse(file, "utf-8");
System.out.println(doc.select("body").text());

test2.html文件如下所示：

输出为：

hellothis是一个简单的测试链接

测试1
测试2
测试3
测试4
测试5
测试6

Jsoup似乎将textarea中的代码视为所有文本。

---

如何删除所有html标记，只保留真实文本？

正如fairjm所指出的，这是预期的行为

如果使用jsoup检查

textarea

元素，您将发现：

• 它只有一个子节点（返回

  1

  ）
• 子节点是文本节点（返回

  #text

  ）

解决方案

如果您真的只想去除任何标记（即使它们是故意放在文本字段中）对内容进行双重解析（旁注：当然双重解析会降低性能，但如果只针对文本，则不会有更多缺点）：

输出

hellothis is a simple testtest link test1 test2 test3 test4 test5 test6

---

行为正确。您可以再次在textarea中解析文本。

hellothis is a simple testtest link test1 test2 test3 test4 test5 test6