从网页中获取有用的信息 html2text

这个工具蛮好用的哈，如果你想从其他网页中抓取一些有用的信息 比如文章 新闻之类的

1. import java.util.regex.Pattern;
3. import org.apache.log4j.Logger;
4. /**
5.  * 来自互联网  过滤html css标签测试通过
6.  * @author shuchao
7.  *
8.  */
9. public class Html2Text {
10.     protected static Logger log = Logger.getLogger(Html2Text.class);
11.     public  static String html2Text(String inputString) {    
12.           String htmlStr = inputString; //含html标签的字符串    
13.           String textStr ="";    
14.           java.util.regex.Pattern p_script;    
15.           java.util.regex.Matcher m_script;    
16.           java.util.regex.Pattern p_style;    
17.           java.util.regex.Matcher m_style;    
18.           java.util.regex.Pattern p_html;    
19.           java.util.regex.Matcher m_html;    
20.               
21.           try {    
22.            String regEx_script = "<[//s]*?script[^>]*?>[//s//S]*?<[//s]*?///[//s]*?script[//s]*?>"; //定义script的正则表达式
23. //{<script[^>]*?>[//s//S]*?<///script> }    
24.            String regEx_style = "<[//s]*?style[^>]*?>[//s//S]*?<[//s]*?///[//s]*?style[//s]*?>"; //定义style的正则表达式
25. //{或<style[^>]*?>[//s//S]*?<///style> }    
26.               String regEx_html = "<[^>]+>"; //定义HTML标签的正则表达式    
27.                
28.               p_script = Pattern.compile(regEx_script,Pattern.CASE_INSENSITIVE);    
29.               m_script = p_script.matcher(htmlStr);    
30.               htmlStr = m_script.replaceAll(""); //过滤script标签    
31.        
32.               p_style = Pattern.compile(regEx_style,Pattern.CASE_INSENSITIVE);    
33.               m_style = p_style.matcher(htmlStr);    
34.               htmlStr = m_style.replaceAll(""); //过滤style标签    
35.                
36.               p_html = Pattern.compile(regEx_html,Pattern.CASE_INSENSITIVE);    
37.               m_html = p_html.matcher(htmlStr);    
38.               htmlStr = m_html.replaceAll(""); //过滤html标签    
39.                
40.            textStr = htmlStr;    
41.                
42.           }catch(Exception e) {    
43.               log.error("Html2Text: " + e.getMessage());    
44.           }    
45.               
46.           return textStr;//返回文本字符串    
47.         }  
48. }