用于HTML到文本转换的开源Java库

Question

您能否推荐一个将HTML转换为纯文本的开源Java库（最好是ASL / BSD / LGPL许可证） - 清理所有标签，转换实体（＆等）并正确处理<br>和表。

更多信息

我把HTML作为字符串，没有必要从网上获取它。 另外，我正在寻找的是这样的方法：

String convertHtmlToPlainText(String html)

Answer 1

试试杰里科 。

TextExtractor类听起来像它会做你想要的。 抱歉无法发布第二个链接，因为我是新用户，但稍微向下滚动主页，并且有一个链接。

Answer 2

HtmlUnit ，它甚至在处理JavaScript / Ajax后显示页面。

Answer 3

bliki引擎可以分两步完成。 见info.bliki.wiki / Home

1. 如何将HTML转换为Mediawiki文本 - nediawiki文本已经是一种相当简单的文本格式，但您可以进一步转换它
2. 如何将Mediawiki文本转换为纯文本 - 您的目标。

这将是一些7-8行代码，如下所示：

// html to wiki
import info.bliki.html.HTML2WikiConverter;
import info.bliki.html.wikipedia.ToWikipedia;
// wiki to plain text
import info.bliki.wiki.filter.PlainTextConverter;
import info.bliki.wiki.model.WikiModel;
...
String sbodyhtml = readFile( infilepath ); //get content as string
  HTML2WikiConverter conv = new HTML2WikiConverter();
  conv.setInputHTML( sbodyhtml );
String resultwiki = conv.toWiki(new ToWikipedia());
  WikiModel wikiModel = new WikiModel("${image}", "${title}");
String plainStr = wikiModel.render(new PlainTextConverter(false), resultwiki );
System.out.println( plainStr );

Jsoup可以做到这一点：

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
...
Document doc = Jsoup.parse(sbodyhtml);
String plainStr = doc.body().text();

但在结果中你会丢失所有段落格式 - 没有任何换行符。

Answer 4

我使用TagSoup ，它可以用于多种语言，并且在“疯狂”中找到HTML并且做得非常好。 它生成HTML或XML的清理版本，然后您可以使用某些DOM / SAX解析器进行处理。

Answer 5

我使用了Apache Commons Lang来反过来。 但看起来它可以通过StringEscapeUtils做你需要的。