Java实现从Html文本中提取纯文本的方法

2024-07-14 08:40:57

字体：大中小

来源：转载

供稿：网友

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	}

4、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();	 }	 }}

以上这篇Java实现从Html文本中提取纯文本的方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持VeVb武林网。

注：相关教程知识阅读请移步到JAVA教程频道。

上一篇：在SpringBoot中使用Logback管理记录日志

下一篇：java利用SMB读取远程文件的方法