Java实现从Html文本中提取纯文本

最新推荐文章于 2021-09-10 13:51:29 发布

心如猛虎细嗅蔷薇

最新推荐文章于 2021-09-10 13:51:29 发布

阅读量4.3k

点赞数 1

分类专栏： js

js 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

1、应用场景：从一份html文件中或从String（是html内容）中提取纯文本，去掉网页标签；

2、代码一：replaceAll搞定

//从html中提取纯文本

public static String StripHT(String strHtml) {

String txtcontent = strHtml.replaceAll("</?[^>]+>", ""); //剔出<html>的标签

txtcontent = txtcontent.replaceAll("<a>\\s*|\t|\r|\n</a>", "");//去除字符串中的空格,回车,换行符,制表符

return txtcontent;

}

3、代码二：正则表达式搞定

//从html中提取纯文本

public static String Html2Text(String inputString) {

String htmlStr = inputString; // 含html标签的字符串

String textStr = "";

java.util.regex.Pattern p_script;

java.util.regex.Matcher m_script;

java.util.regex.Pattern p_style;

java.util.regex.Matcher m_style;

java.util.regex.Pattern p_html;

java.util.regex.Matcher m_html;

try {

String regEx_script = "<[\\s]*?script[^>]*?>[\\s\\S]*?<[\\s]*?\\/[\\s]*?script[\\s]*?>"; // 定义script的正则表达式{或<script[^>]*?>[\\s\\S]*?<\\/script>

String regEx_style = "<[\\s]*?style[^>]*?>[\\s\\S]*?<[\\s]*?\\/[\\s]*?style[\\s]*?>"; // 定义style的正则表达式{或<style[^>]*?>[\\s\\S]*?<\\/style>

String regEx_html = "<[^>]+>"; // 定义HTML标签的正则表达式

p_script = Pattern.compile(regEx_script, Pattern.CASE_INSENSITIVE);

m_script = p_script.matcher(htmlStr);

htmlStr = m_script.replaceAll(""); // 过滤script标签

p_style = Pattern.compile(regEx_style, Pattern.CASE_INSENSITIVE);

m_style = p_style.matcher(htmlStr);

htmlStr = m_style.replaceAll(""); // 过滤style标签

p_html = Pattern.compile(regEx_html, Pattern.CASE_INSENSITIVE);

m_html = p_html.matcher(htmlStr);

htmlStr = m_html.replaceAll(""); // 过滤html标签

textStr = htmlStr;

} catch (Exception e) {System.err.println("Html2Text: " + e.getMessage()); }

//剔除空格行

textStr=textStr.replaceAll("[ ]+", " ");

textStr=textStr.replaceAll("(?m)^\\s*$(\\n|\\r\\n)", "");

return textStr;// 返回文本字符串

}

3、代码三：HTMLEditorKit.ParserCallback搞定，Java自带的类

package com.util;

import java.io.*;

import javax.swing.text.html.*;

import javax.swing.text.html.parser.*;

public class Html2Text extends HTMLEditorKit.ParserCallback {

StringBuffer s;

public Html2Text() {}

public void parse(Reader in) throws IOException {

s = new StringBuffer();

ParserDelegator delegator = new ParserDelegator();

// the third parameter is TRUE to ignore charset directive

delegator.parse(in, this, Boolean.TRUE);

}

public void handleText(char[] text, int pos) {

s.append(text);

}

public String getText() {

return s.toString();

}

public static void main (String[] args) {

try {

// the HTML to convert

//Reader in=new StringReader("string");

FileReader in = new FileReader("java-new.html");

Html2Text parser = new Html2Text();

parser.parse(in);

in.close();

System.out.println(parser.getText());

}

catch (Exception e) {

e.printStackTrace();

}

}

心如猛虎细嗅蔷薇

关注

1
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
Java实现从Html文本中提取纯文本

1、应用场景：从一份html文件中或从String（是html内容）中提取纯文本，去掉网页标签；2、代码一：replaceAll搞定 //从html中提取纯文本 public static String StripHT(String strHtml) { String txtcontent = strHtml.replaceAll("&lt;/?[^...
复制链接

扫一扫