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

 //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}

3、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 directivedelegator.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文本中提取纯文本相关推荐

从html富文本中提取纯文本
其实从html富文本中提取纯文本很简单,富文本基本上是使用html标签给文本加上丰富多彩的样式. 所以只需要将富文本字符串中的"<.....>"标签剔除,即可得到纯文本 ...
js把vue转化html,将 vue.js 获取的 html 文本转化为纯文本
我存入数据表中的数据是使用 html 格式,获取数据是使用 vue 获取. 遇到了一个问题,就是界面上显示的数据是 html 格式的,但是我需要它显示纯文本. 怎么做呢?首先在 js 中写一个将 ...
HtmlParser提取网页中的纯文本信息
转载自 HtmlParser提取网页中的纯文本信息 HTMLParser 一个解析web页面的开源类库. 准备学习下搜索方面的技术,就学习了些网络爬虫的知识.最近一直在一个点上 ...
Word处理控件Aspose.Words功能演示：用Java从Word文档中提取文本
Aspose.Words For .NET是一种高级Word文档处理API,用于执行各种文档管理和操作任务.API支持生成,修改,转换,呈现和打印文档,而无需在跨平台应用程序中直接使用Microsof ...
PHP提取富文本中的纯文字
有时候富文本的内容需要放到列表页进行展示,这个时候就不能直接把content展示出来了,需要进行数据处理(只取文字部分)来展示 /*** 提取富文本中的纯文字* addtime 2020年8月10日 ...
python-批量提取srt文件中的纯文本
python-批量提取srt文件中的纯文本 1.功能介绍为了方便日常的使用,我将批量提取 srt 文件中纯文本的程序打包成了 exe 文件,这样就不用安装 python 环境和相关的库了. 现在版本 ...
python自动发邮件富文本_django 实现后台从富文本提取纯文本
前言: 很多时候我们都会用富文本,比如说在版权区.博客文章编辑时等等.但是如果我们要做一个搜索的功能,去从富文本中查找关键字,就需要将富文本中的文本了.但是 django 并没有专门函数去做.这个时候 ...
一种精确从文本中提取URL的思路及实现
在今年三四月份,我接受了一个需求:从文本中提取URL.这样的需求,可能算是非常小众的需求了.大概只有QQ.飞信.阿里旺旺等之类的即时通讯软件存在这样的需求.在研究这个之前,我测试了这些软件这块功能,发 ...
自然语言处理(NLP)之从文本中提取时间
在我们的日常生活和工作中,从文本中提取时间是一项非常基础却重要的工作,因此,接下来将介绍如何从文本中有效地提取时间. 举个简单的例子,我们需要从下面的文本中提取时间: 6月28日,杭州市统计局权威 ...

Java实现从Html文本中提取纯文本

Java实现从Html文本中提取纯文本相关推荐

最新文章

热门文章