JSoup-按原样在标记之间获取文本

Question

场景：我使用Apache Tika从DOCX文件中获取XHTML。我需要解析这个XHTML来获取特定标签（例如div或p标签）之间的文本。为此，我使用Jsoup来获取标记之间的文本。

问题：最初XHTML有以下文本：

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

但有了Jsoup，我得到了这个：

some text other text.

因此，标签空间丢失了，但我需要按原样获取文本，即包括tag-spaces。是否可以使用Jsoup或有其他Java库来实现这一点？

Answer 1

对TextNodes使用getWholeText方法：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);
}