Java实现从Html文本中提取纯文本的方法

Java实现从Html文本中提取纯文本的方法 在本文中，我们将介绍Java实现从Html文本中提取纯文本的方法。提取纯文本是指从Html文档中去掉所有的Html标签，只保留原始的文本内容。这种技术在实际应用中非常有用，例如从网页中提取文章内容、从Html邮件中提取正文等。 应用场景： 1. 从Html文件中提取纯文本 2. 从String（Html内容）中提取纯文本 代码一：使用replaceAll方法提取纯文本 public static String StripHT(String strHtml) { String txtcontent = strHtml.replaceAll("</?[^>]+>", ""); // 剔除 Html 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; } 代码二：使用正则表达式提取纯文本 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 String regEx_style = "<[\\s]*?style[^>]*?>[\\s\\S]*?<[\\s]*?\\/[\\s]*?style[\\s]*?>"; // 定义style的正则表达式 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 } 代码三：使用HTMLEditorKit.ParserCallback提取纯文本 package com.util; import java.io.*; import javax.swing.text.html.*; import javax.swing.text.html.parser.*; public class Html2Text { // ... } 通过这三种方法，我们可以轻松地从Html文本中提取纯文本。无论是从Html文件中还是从String中，我们都可以使用这些方法来获取原始的文本内容。