提取html中的文本内容的工具类（jsoup）

最新推荐文章于 2024-07-03 20:27:38 发布

骑猪下不来的猴

最新推荐文章于 2024-07-03 20:27:38 发布

阅读量1.9k

点赞数 1

分类专栏： HTML 文章标签： html文本提取 jsoup 剔除html代码

本文链接：https://blog.csdn.net/weixin_42529699/article/details/90402489

版权

HTML 专栏收录该内容

11 篇文章 1 订阅

订阅专栏

1、项目中添加依赖

<dependency>
  <groupId>org.jsoup</groupId>
  <artifactId>jsoup</artifactId>
  <version>1.11.3</version>
</dependency>

工具类中给关键字加高亮的方法需要使用到jfinal的StringKit类，此类在jfinal2.0之后的版本中被剔除，需要导入2.0之前的版本

<dependency>
  <groupId>com.jfinal</groupId>
  <artifactId>jfinal</artifactId>
  <version>2.0</version>
</dependency>

2、编写工具类

package com.szhtp.common.util;

import org.jsoup.Jsoup;
import org.jsoup.safety.Whitelist;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import com.jfinal.kit.StringKit;

public class HtmlUtils {

    // 只有纯文本可以通过
    public static String getText(String html) {
        if (html == null)
            return null;
        return Jsoup.clean(html, Whitelist.none()).replace("&nbsp;", "");
    }
      
    // 以下标签可以通过
    // b, em, i, strong, u. 纯文本
    public static String getSimpleHtml(String html) {
        if (html == null)
            return null;
        return Jsoup.clean(html, Whitelist.simpleText());
    }
      
    // 以下标签可以通过
    //a, b, blockquote, br, cite, code, dd, dl, dt, em, i, li, ol, p, pre, q, small, strike, strong, sub, sup, u, ul
    public static String getBasicHtml(String html) {
        if (html == null)
            return null;
        return Jsoup.clean(html, Whitelist.basic());
    }
      
    //在basic基础上  增加图片通过
    public static String getBasicHtmlandimage(String html) {
        if (html == null)
            return null;
        return Jsoup.clean(html, Whitelist.basicWithImages());
    }
    // 以下标签可以通过
    //a, b, blockquote, br, caption, cite, code, col, colgroup, dd, dl, dt, em, h1, h2, h3, h4, h5, h6, i, img, li, ol, p, pre, q, small, strike, strong, sub, sup, table, tbody, td, tfoot, th, thead, tr, u, ul
    public static String getFullHtml(String html) {
        if (html == null)
            return null;
        return Jsoup.clean(html, Whitelist.relaxed());
    }
      
    //只允许指定的html标签
    public static String clearTags(String html, String ...tags) {
        Whitelist wl = new Whitelist();
        return Jsoup.clean(html, wl.addTags(tags));
    }
      
    // 对关键字加上颜色
    public static String markKeywods (String keywords, String target) {
        if (StringKit.notBlank(keywords)) {
            String[] arr = keywords.split(" ");
            for (String s : arr) {
                if (StringKit.notBlank(s)) {
                    String temp = "<span class=\"highlight\">" + s + "</span>";
                    if(temp!=null)
                        target = target.replaceAll(s, temp);
                }
            }
        }
        return target;
    }
  
    // 获取文章中的img url
    public static String getImgSrc(String html) {
        if (html == null)
            return null;
        Document doc = Jsoup.parseBodyFragment(html);
        Element image = doc.select("img").first();
        return image == null ? null : image.attr("src");
    }
}