Java实现从Html文本中提取纯文本的方法
程序员文章站
2023-12-18 17:06:28
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...
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。