Java实现从Html文本中提取纯文本的方法
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
publicstaticStringStripHT(StringstrHtml){
Stringtxtcontent=strHtml.replaceAll("]+>","");//剔出的标签
txtcontent=txtcontent.replaceAll("\\s*|\t|\r|\n","");//去除字符串中的空格,回车,换行符,制表符
returntxtcontent;
}
3、代码二：正则表达式搞定
//从html中提取纯文本
publicstaticStringHtml2Text(StringinputString){
StringhtmlStr=inputString;//含html标签的字符串
StringtextStr="";
java.util.regex.Patternp_script;
java.util.regex.Matcherm_script;
java.util.regex.Patternp_style;
java.util.regex.Matcherm_style;
java.util.regex.Patternp_html;
java.util.regex.Matcherm_html;
try{
StringregEx_script="<[\\s]*?script[^>]*?>[\\s\\S]*?<[\\s]*?\\/[\\s]*?script[\\s]*?>";//定义script的正则表达式{或]*?>[\\s\\S]*?<\\/script>
StringregEx_style="<[\\s]*?style[^>]*?>[\\s\\S]*?<[\\s]*?\\/[\\s]*?style[\\s]*?>";//定义style的正则表达式{或]*?>[\\s\\S]*?<\\/style>
StringregEx_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(Exceptione){System.err.println("Html2Text:"+e.getMessage());}
//剔除空格行
textStr=textStr.replaceAll("[]+","");
textStr=textStr.replaceAll("(?m)^\\s*$(\\n|\\r\\n)","");
returntextStr;//返回文本字符串
}
4、代码三：HTMLEditorKit.ParserCallback搞定，Java自带的类
packagecom.util;
importjava.io.*;
importjavax.swing.text.html.*;
importjavax.swing.text.html.parser.*;
publicclassHtml2TextextendsHTMLEditorKit.ParserCallback{
StringBuffers;
publicHtml2Text(){}
publicvoidparse(Readerin)throwsIOException{
s=newStringBuffer();
ParserDelegatordelegator=newParserDelegator();
//thethirdparameterisTRUEtoignorecharsetdirective
delegator.parse(in,this,Boolean.TRUE);
}
publicvoidhandleText(char[]text,intpos){
s.append(text);
}
publicStringgetText(){
returns.toString();
}
publicstaticvoidmain(String[]args){
try{
//theHTMLtoconvert
//Readerin=newStringReader("string");
FileReaderin=newFileReader("java-new.html");
Html2Textparser=newHtml2Text();
parser.parse(in);
in.close();
System.out.println(parser.getText());
}
catch(Exceptione){
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毛票票。