MarkDown提取文本作为文章简介

MarkDown提取文本作为文章简介

这几乎是所有使用md的博客项目需要使用到的技术，但是提取文本不是万能的，所以文章头部最好放一些简介或者md的纯文本内容之内的，不建议放代码块/链接/奇怪符号。

效果图（如不不实用本文的提取方法，通常开头就是几个#### 看着很丑陋）

实现原理

首先使用依赖将md转为html，然后通过正则表达式去掉标签

1. 导入依赖

        <!--markdown转html-->
        <dependency>
            <groupId>org.pegdown</groupId>
            <artifactId>pegdown</artifactId>
            <version>1.6.0</version>
        </dependency>

2. 实现工具类

import org.pegdown.PegDownProcessor;

/**
 * @author MinXu
 * @since 2021/5/18
 * QQ   754647431
 */
public class MDToText {
    /**
     * 去除html代码中含有的标签
     * @param htmlStr
     * @return
     */
    private static String delHtmlTags(String htmlStr) {
        //定义script的正则表达式，去除js可以防止注入
        String scriptRegex="<script[^>]*?>[\\s\\S]*?<\\/script>";
        //定义style的正则表达式，去除style样式，防止css代码过多时只截取到css样式代码
        String styleRegex="<style[^>]*?>[\\s\\S]*?<\\/style>";
        //定义HTML标签的正则表达式，去除标签，只提取文字内容
        String htmlRegex="<[^>]+>";
        //定义空格,回车,换行符,制表符
        String spaceRegex = "\\s*|\t|\r|\n";

        // 过滤script标签
        htmlStr = htmlStr.replaceAll(scriptRegex, "");
        // 过滤style标签
        htmlStr = htmlStr.replaceAll(styleRegex, "");
        // 过滤html标签
        htmlStr = htmlStr.replaceAll(htmlRegex, "");
        // 过滤空格等
        htmlStr = htmlStr.replaceAll(spaceRegex, "");
        return htmlStr.trim(); // 返回文本字符串
    }
    /**
     * 获取HTML代码里的内容
     * @param htmlStr
     * @return
     */
    private static String getTextFromHtml(String htmlStr){
        //去除html标签
        htmlStr = delHtmlTags(htmlStr);
        //去除空格" "
        htmlStr = htmlStr.replaceAll(" ","");
        return htmlStr;
    }

    public static String mdToText(String mdContent){
        PegDownProcessor pdp = new PegDownProcessor(Integer.MAX_VALUE);
        String htmlContent = pdp.markdownToHtml(mdContent);
        return getTextFromHtml(htmlContent);
    }
}