提取HTML中的文本信息

最新推荐文章于 2024-04-25 20:22:26 发布

jinxi

最新推荐文章于 2024-04-25 20:22:26 发布

阅读量3.1k

点赞数

文章标签： html string exception import 手机 class

东方细雨发表于 2006-6-24 21:09:09

有时候我们拿到一个HTML文本的时候我们并不在意它的格式，而只是想提取其中包含的文本信息。例如说为了在手机上显示一个超文本，如果直接显示的话那肯定会收到一大堆的错误，很多手机根本没有能力显示HTML信息，因此我们需要把存在于HTML中的文本提取出来并使用WML来重新组合以便手机可以正确的查看，这样做虽然丢失了格式，但是毕竟这种情况下更关心的是数据。下面给出一段程序完成这个功能，很简单！
/*
* Created on 2004-7-11
*/
package com.clickcom.wcp.util;

import org.htmlparser.Node;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.util.NodeList;

/**
* 用于处理HTML信息的工具集合
* @author liudong
*/
public class HtmlUtils {

/**
* 抽取纯文本信息
* @param inputHtml
* @return
*/
public static String extractText(String inputHtml) throws Exception{
StringBuffer text = new StringBuffer();

Parser parser = Parser.createParser(new String(inputHtml.getBytes(),"8859_1"));
//遍历所有的节点
NodeList nodes = parser.extractAllNodesThatMatch(new NodeFilter(){
   public boolean accept(Node node) {
    return true;
   }});
Node node = nodes.elementAt(0);
text.append(new String(node.toPlainTextString().getBytes("8859_1")));
return text.toString();
}

public static void main(String[] args) throws Exception{
String text = extractText("<td>点击<b><a href=index.jsp>这里</a></b>回到首页</td>");
System.out.println(text);
}

}