富文本中提取信息并去除其中的HTML或XML标签

flying jiang

于 2024-07-15 21:08:29 发布

阅读量235

点赞数 7

分类专栏：快速开发文章标签： xml html java javascript

本文链接：https://blog.csdn.net/FlyingJiang/article/details/140449032

版权

快速开发专栏收录该内容

5 篇文章 0 订阅

订阅专栏

要从富文本中提取信息并去除其中的HTML或XML标签，可以使用不同的编程语言和库。以下是一些流行语言中的示例方法：

1. Python（使用`BeautifulSoup`）

BeautifulSoup是一个强大的Python库，用于从HTML或XML文件中提取数据。它创建了一个解析树，用于遍历并提取数据。

from bs4 import BeautifulSoup  
  
html_doc = """  
<html><head><title>The Dormouse's story</title></head>  
<body>  
<p class="title"><b>The Dormouse's story</b></p>  
<p class="story">Once upon a time there were three little sisters; and their names were  
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,  
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and  
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;  
and they lived at the bottom of a well.</p>  
</body></html>  
"""  
  
soup = BeautifulSoup(html_doc, 'html.parser')  
  
# 使用get_text()去除所有标签，只保留文本  
text = soup.get_text()  
  
print(text)

2. JavaScript（使用`DOMParser`）

在浏览器环境中，你可以使用DOMParser来解析HTML字符串，并通过遍历DOM树来提取文本。

const htmlString = '<div><p>Hello <b>world</b>!</p></div>';  
const parser = new DOMParser();  
const doc = parser.parseFromString(htmlString, "text/html");  
  
// 递归函数来提取所有文本节点  
function getText(node) {  
  let text = "";  
  if (node.nodeType === Node.TEXT_NODE) {  
    return node.nodeValue;  
  }  
  node = node.firstChild;  
  while (node) {  
    text += getText(node);  
    node = node.nextSibling;  
  }  
  return text;  
}  
  
console.log(getText(doc.body));

3. PHP（使用`DOMDocument`和`XPath`）

在PHP中，你可以使用DOMDocument和DOMXPath来解析HTML并提取文本。

<?php  
$html = '<div><p>Hello <b>world</b>!</p></div>';  
$dom = new DOMDocument();  
@$dom->loadHTML($html); // 使用@来抑制可能产生的警告  
  
$xpath = new DOMXPath($dom);  
$nodes = $xpath->query('//text()');  
  
$text = '';  
foreach ($nodes as $node) {  
    $text .= $node->nodeValue;  
}  
  
echo $text;  
?>

注意：DOMDocument::loadHTML()可能会因为HTML格式不正确而发出警告，这里使用@来抑制这些警告。但在生产环境中，最好处理这些潜在的错误。

4、JAVA

在Java语言中处理富文本（特别是包含HTML或XML标签的文本）时，你可以采用多种策略来解析、修改或提取其中的信息。以下是一些常用的方法和库：

4.1. 使用`jsoup`（针对HTML）

jsoup是一个方便的Java库，用于解析HTML。它可以用于提取和操作数据，使用DOM、CSS以及类似于jQuery的方法。

安装jsoup

如果你使用Maven，可以在pom.xml中添加以下依赖：

<dependency>  
    <groupId>org.jsoup</groupId>  
    <artifactId>jsoup</artifactId>  
    <version>1.14.3</version> <!-- 请检查是否有更新的版本 -->  
</dependency>

示例代码

import org.jsoup.Jsoup;  
import org.jsoup.nodes.Document;  
import org.jsoup.nodes.Element;  
  
public class JsoupExample {  
    public static void main(String[] args) {  
        String html = "<html><head><title>First parse</title></head>"  
                    + "<body><p>Parsed HTML into a doc.</p></body></html>";  
        Document doc = Jsoup.parse(html);  
  
        // 获取并打印title  
        String title = doc.title();  
        System.out.println("Title: " + title);  
  
        // 获取并打印文本  
        String text = doc.body().text();  
        System.out.println("Text: " + text);  
    }  
}

2. 使用`JDOM`或`DOM4J`（针对XML）

如果你的富文本是XML格式的，你可以使用JDOM或DOM4J这样的库来解析和处理它。

安装DOM4J（Maven示例）

<dependency>  
    <groupId>org.dom4j</groupId>  
    <artifactId>dom4j</artifactId>  
    <version>2.1.3</version> <!-- 请检查是否有更新的版本 -->  
</dependency>

示例代码（DOM4J）

import org.dom4j.Document;  
import org.dom4j.DocumentException;  
import org.dom4j.Element;  
import org.dom4j.io.SAXReader;  
  
public class Dom4jExample {  
    public static void main(String[] args) throws DocumentException {  
        String xml = "<root><child>Hello, world!</child></root>";  
        SAXReader reader = new SAXReader();  
        Document document = reader.read(new StringReader(xml));  
  
        Element root = document.getRootElement();  
        Element child = root.element("child");  
        String text = child.getText();  
  
        System.out.println("Text: " + text);  
    }  
}

3. 使用Java标准库（`javax.xml.parsers`）

Java标准库提供了处理XML文档的API，你可以使用DocumentBuilderFactory和DocumentBuilder来解析XML。

示例代码

import javax.xml.parsers.DocumentBuilder;  
import javax.xml.parsers.DocumentBuilderFactory;  
import org.w3c.dom.Document;  
import org.w3c.dom.Element;  
import org.w3c.dom.Node;  
import org.w3c.dom.NodeList;  
  
public class StandardXmlExample {  
    public static void main(String[] args) throws Exception {  
        String xml = "<root><child>Hello, world!</child></root>";  
        DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();  
        DocumentBuilder builder = factory.newDocumentBuilder();  
        Document doc = builder.parse(new ByteArrayInputStream(xml.getBytes()));  
  
        doc.getDocumentElement().normalize();  
        NodeList nList = doc.getElementsByTagName("child");  
        System.out.println("----------------------------");  
  
        for (int temp = 0; temp < nList.getLength(); temp++) {  
            Node nNode = nList.item(temp);  
            System.out.println("\nCurrent Element :" + nNode.getNodeName());  
  
            if (nNode.getNodeType() == Node.ELEMENT_NODE) {  
                Element eElement = (Element) nNode;  
                System.out.println("First Child node value :"   
                     + eElement.getFirstChild().getNodeValue());  
            }  
        }  
    }  
}

以上是在不同编程环境中去除富文本标签并提取文本信息的基本方法。每种方法都有其适用场景和优缺点，你可以根据自己的需要选择最适合的一种。