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

[java]view plain copy
//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

[java]view plain copy
//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

[java]view plain copy
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();  
       }  
     }  
}  

Java实现从Html文本中提取纯文本

猜你喜欢