JAVA 过滤标签将html内容转换为文本

最新推荐文章于 2024-07-13 02:44:55 发布

johennes

最新推荐文章于 2024-07-13 02:44:55 发布

阅读量1.9k

点赞数

分类专栏： JAVA JAVA工具类

JAVA 同时被 2 个专栏收录

17 篇文章 0 订阅

订阅专栏

JAVA工具类

14 篇文章 0 订阅

订阅专栏

/**  
     * 把html内容转为文本  
     * @param html 需要处理的html文本  
     * @param filterTags 需要保留的html标签样式  
     * @return  
     */   
    public static String trimHtml2Txt(String html, String[] filterTags){       
        html = html.replaceAll("\\<head>[\\s\\S]*?</head>(?i)", "");//去掉head   
        html = html.replaceAll("\\<!--[\\s\\S]*?-->", "");//去掉注释   
        html = html.replaceAll("\\<![\\s\\S]*?>", "");   
        html = html.replaceAll("\\<style[^>]*>[\\s\\S]*?</style>(?i)", "");//去掉样式   
        html = html.replaceAll("\\<script[^>]*>[\\s\\S]*?</script>(?i)", "");//去掉js   
        html = html.replaceAll("\\<w:[^>]+>[\\s\\S]*?</w:[^>]+>(?i)", "");//去掉word标签   
        html = html.replaceAll("\\<xml>[\\s\\S]*?</xml>(?i)", "");   
        html = html.replaceAll("\\<html[^>]*>|<body[^>]*>|</html>|</body>(?i)", "");   
        html = html.replaceAll("\\\r\n|\n|\r", " ");//去掉换行   
        html = html.replaceAll("\\<br[^>]*>(?i)", "\n\r");   
        List<String> tags = new ArrayList<String>();   
        List<String> s_tags = new ArrayList<String>();   
        List<String> halfTag = Arrays.asList(new String[]{"img","table","thead","th","tr","td"});//   
        if(filterTags != null && filterTags.length > 0){   
            for (String tag : filterTags) {   
                tags.add("<"+tag+(halfTag.contains(tag)?"":">"));//开始标签   
                if(!"img".equals(tag)) tags.add("</"+tag+">");//结束标签   
                s_tags.add("#REPLACETAG"+tag+(halfTag.contains(tag)?"":"REPLACETAG#"));//尽量替换为复杂一点的标记,以免与显示文本混合,如：文本中包含#td、#table等   
                if(!"img".equals(tag)) s_tags.add("#REPLACETAG/"+tag+"REPLACETAG#");   
            }   
        }   
        html = StringUtils.replaceEach(html, tags.toArray(new String[tags.size()]), s_tags.toArray(new String[s_tags.size()]));                  
        html = html.replaceAll("\\</p>(?i)", "\n\r");   
        html = html.replaceAll("\\<[^>]+>", "");   
        html = StringUtils.replaceEach(html,s_tags.toArray(new String[s_tags.size()]),tags.toArray(new String[tags.size()]));   
        html = html.replaceAll("\\ ", " ");   
        return html.trim();   
    }