使用jsoup从网页中提取非脚本文本内容

网页中的脚本通常在<script>标签中，例如

<script type="text/javascript">
	F.use(["/static/common/ui/tangram/base/base.js","/static/widget/common/searchbox/searchbox.js","/static/common/ui/vs/suggestion/suggestion.js"], function(baidu,searchbox,suggestion){
	baidu.dom.ready(function(){
	searchbox();
	if (navigator.cookieEnabled && !/sug?=0/.test(document.cookie)){
	suggestion();
	}
	});
	});
	</script>

因此个人简单的作法就是遍历这个HTML排除Tagname = "script"的节点。

代码：

import java.io.IOException;
	import java.util.ArrayList;
	import java.util.List;

	import org.jsoup.Jsoup;
	import org.jsoup.nodes.Document;
	import org.jsoup.nodes.Element;
	import org.jsoup.select.Elements;

	public class html
	{
	    
	    /**
	     * @param args
	     * @throws IOException 
	     */
	    public static void main(String[] args)
	        throws IOException
	    {
	        Document doc = Jsoup.connect("http://news.baidu.com").get(); //获取网页内容
	        
	               
	        
	        //获取网页内容中非脚本信息
	        getTag(doc);
	           
	    }
	 
	    public static void getTag(Document doc)
	    {
	        Elements el = doc.select("*");//先遍历整个HTML
	        List<String>list = new ArrayList<String>();
	        for(Element element:el){
	        	String text = element.tagName();
	        	if(text.endsWith("script"))continue;//删除HTML中的脚本
	        	else{ 
	        		if(element.hasText() == true)list.add(element.text()+'\n');
	        		}
	        	
	        }
	       
	        System.out.println(list);
	    }