使用JSoup解析HTML：如何仅获取body外层文本（不含子标签文本）

嘿，这个需求其实用JSoup的节点操作就能轻松搞定！你要的是只获取标签本身直接包含的文本节点，完全排除子元素里的内容对吧？下面给你两种实用的实现方式：

方法一：直接用ownText()方法 #

JSoup的Element类自带了ownText()方法，它的作用就是仅返回当前元素自身的文本内容，不会包含任何子元素的文本，刚好匹配你的需求！

结合你提供的HTML示例，代码可以这么写：

// 你的HTML内容
String html = "<html> <body> <p class=\"mm3h\">ဂီတကဆွဲဆောင်အားကောင်းတဲ့ကျွန်တော်တို့ကိုဖြစ်စေတယ်လို့ထင်တယ်။</p> Music causes us to think eloquently. <a class=\"\" href=\"\" aria-label=\"--Ralph Waldo Emerson (1 item)\">--Ralph Waldo Emerson</a> </body> </html>";

// 解析HTML
Document doc = Jsoup.parse(html);
Element body = doc.body();

// 获取body自身的文本，并用trim()去除多余空白
String bodyOwnText = body.ownText().trim();

// 输出结果：Music causes us to think eloquently.
System.out.println(bodyOwnText);

为什么不用text()？ #

别搞混了——body.text()会把下所有子元素的文本都拼接起来，结果会是ဂီတကဆွဲဆောင်အားကောင်းတဲ့ကျွန်တော်တို့ကိုဖြစ်စေတယ်လို့ထင်တယ်။ Music causes us to think eloquently. --Ralph Waldo Emerson，这显然不是你要的效果。

方法二：遍历子节点筛选文本节点（更灵活） #

如果你的里有多个分散的直接文本节点，或者需要更精细的文本处理（比如保留特定格式），可以手动遍历的子节点，只提取TextNode类型的内容：

Document doc = Jsoup.parse(html);
Element body = doc.body();
StringBuilder result = new StringBuilder();

for (Node node : body.childNodes()) {
    // 判断是否是文本节点
    if (node instanceof TextNode) {
        TextNode textNode = (TextNode) node;
        // 去除空白后如果不为空就添加到结果里
        String cleanText = textNode.text().trim();
        if (!cleanText.isEmpty()) {
            result.append(cleanText).append(" ");
        }
    }
}

// 最终结果，再做一次trim去除末尾多余空格
String finalBodyText = result.toString().trim();

这种方式能精准控制要提取的文本，适合结构更复杂的HTML场景。

内容的提问来源于stack exchange，提问作者Mthk