工作上需要把一段html内容转换成纯文本。
最简单的办法,是用正则表达式把全部的标签替换成空字符串,然后把被转义的内容(尖括号,空格等)转回来。这里用到了StringEscapeUtils,来自Apache Commons Lang library (commons-lang3-3.0.1.jar)
str = str.replaceAll("\\<.*?\\>","");
str = StringEscapeUtils.unescapeHtml(str);
上面的方法有点儿简单粗暴。
稍微高级点儿的做法,保留换行。代码如下:
public static String toPlainText(final String html)
{
if (html == null)
{
return "";
}
final Document document = Jsoup.parse(html);
final OutputSettings outputSettings = new Document.OutputSettings().prettyPrint(false);
document.outputSettings(outputSettings);
document.select("br").append("\\n");
document.select("p").prepend("\\n");
document.select("p").append("\\n");
final String newHtml = document.html().replaceAll("\\\\n", "\n");
final String plainText = Jsoup.clean(newHtml, "", Whitelist.none(), outputSettings);
final String result = StringEscapeUtils.unescapeHtml(plainText.trim());
return result;
}
这里用到了开源html库,从这里下载。 Jsoup