资源下载 - 从此开始!

下载我_精品源码软件教程资源网

您的位置:首页 > 网络学院 > 正文

Java实现从Html文本中提取纯文本的方法

2018-05-22 12:01 来源:www.xiazaiwo.net 编辑:admin

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。

打赏一下,我们会为大家提供更多优质资源!

相关文章,95%的人会看!{有内幕、有真相...}

看过本文的人还看过

关闭

微信扫一扫

站长微信账号