jerichohtml-文本提取和不正确的文本长度

Question

今天我尝试使用lib作为jericho-html-3.2从简单的html中提取文本。。。我遇到了一个奇怪的文本假长度问题，如下所示：

如果我有html作为这个

Hello World :)<br><br>Hello World :(<br><br>Hello World ;)<br>

我的RichTextArea getText().length()返回42，这实际上是正确的长度，但当我试图用之类的代码从该html中提取文本时

        Source source = new Source(html);
    String text = source.getTextExtractor().toString();

text.length()返回44

所以我不明白为什么长度42的文本会变成长度44，以及如何修复它？

感谢

Answer 1

仅为44，您需要将所有
标签分别视为一个字符，空格分别视为1个字符，所有笑脸分别视为2个字符。

H(1)e(2)l(3)l(4)o(5) (6)W(7)o(8)r(9)l(10)d(11) (12):)(13)<br>(14)<br>(15)H(16)e(17)l(18)l(19)o(20) (21)W(22)o(23)r(24)l(25)d(26) (27:((28)<br>(29)<br>(30)H(31)e(32)l(33)l(34)o(35) (36)W(37)o(38)r(39)l(40)d(41) (42);)(43)<br>(44)

Answer 2

我不得不更深入地挖掘它，我认为html换行符的文本长度是错误的，因为jericho html解析器出于某种原因用空格或其他东西替换了新的换行符。。。

就目前而言，我还不能确定它会将哪些标签替换为哪些字符，但就我的情况而言，我只是尝试使用这样的正则表达式进行一些漫游（见片段）

html=html.replaceAll("<br>","");
Source source = new Source(html);
String text = source.getTextExtractor().toString();

所以现在它真的将原始文本长度返回为42：）

我希望小费能节省一天

---

感谢大家的帮助