(java)从页面提取文字内容

 由于感觉程序效率比较低，所以决定改一下提取文字这部分的实现过程，在网上看到一个朋友写的办法，如下：

 public String getTextInNode(Node node){
     StringBuffer sb=new StringBuffer();
     try{         
         getText(sb,node);
     }catch(Exception e){
      e.printStackTrace();
     }
     return sb.toString();
 }

 public void getText(StringBuffer sb, Node node) {
   if (enabledNode(node)) {
    if (node.getNodeType() == Node.TEXT_NODE) {
     String value = node.getNodeValue();
     sb.append(value.trim());
    } else {
     NodeList nodes = node.getChildNodes();
     for (int i = 0; i < nodes.getLength(); i++) {
      Node n = nodes.item(i);
      getText(sb, n);
     }
    }
   }
  }
  
   public  boolean enabledNode(Node node) {
   if (node.getNodeName().equalsIgnoreCase("script"))
    return false;
   else if (node.getNodeName().equalsIgnoreCase("link"))
    return false;
   else if (node.getNodeName().equalsIgnoreCase("style"))
    return false;
   else if (node.getNodeType() == Node.COMMENT_NODE)
    return false;
   else
    return true;
  } 

 

第一个函数为调用的主方法。如果要分析dom树里所有的节点的话，则可以先用一个parser解析html页面后将body传给getTextInNode()方法。以上代码本人稍有修改，不是最优。欢迎评论