nekohtml的使用

    import  org.cyberneko.html.parsers.DOMFragmentParser;
     import org.apache.html.dom.HTMLDocumentImpl;
     import  org.w3c.dom.DocumentFragment;
     import  org.w3c.dom.Node;
     import  org.w3c.dom.NodeList;
     import  org.xml.sax.InputSource;
     import  org.xml.sax.SAXException;

     /**
     * 从html中抽取纯文本
     * 
     *  @param  content
     *  @return
     *  @throws  UnsupportedEncodingException
      */
     public  String extractTextFromHTML(String content)
             throws  UnsupportedEncodingException {
        DOMFragmentParser parser  =   new  DOMFragmentParser();
        DocumentFragment node  =   new  HTMLDocumentImpl().createDocumentFragment();
        InputStream is  =   new  ByteArrayInputStream(content.getBytes());
         try  {
            parser.parse( new  InputSource(is), node);
        }  catch  (IOException e) {
            e.printStackTrace();
        }  catch  (SAXException se) {
            se.printStackTrace();
        }

        StringBuffer newContent  =   new  StringBuffer();
         this .getText(newContent, node);

        String str  =  ( new  String(
                newContent.toString().getBytes( " Windows-1252 " ),  " GBK " ));
         return  str;
    }

     private   void  getText(StringBuffer sb, Node node) {
         if  (node.getNodeType()  ==  Node.TEXT_NODE) {
            sb.append(node.getNodeValue());
        }
        NodeList children  =  node.getChildNodes();
         if  (children  !=   null ) {
             int  len  =  children.getLength();
             for  ( int  i  =   0 ; i  <  len; i ++ ) {
                getText(sb, children.item(i));
            }
        }
    }

1，nekohtml1.9.6.1版本用到了jdk5的Arrays.hashCode等方法，为兼容jdk1.4,
  故采用nekohtml1.9.6版本
2，需要xerces.jar支持
3，
   http://hi.baidu.com/walkandsing/blog/item/f5743634c6ba2e3a5bb5f5e5.html