从Java文档中删除html标记的最快方法是什么？

Question

我有一堆Web文档，想从中删除html标签。 我在StackOverflow上看到了一些有关如何在Java中执行操作的帖子，从正则表达式到HtmlCleaner和Jsoup都是如此。

我对寻找最快的方法感兴趣。 我有数百万个文档，因此对于我而言，性能至关重要。 我什至可以用一点质量来换取性能。

感谢您提前提出任何答案。

Answer 1

我的观点是尽可能多地使用流/ SAX处理：1）因为它使用较少的内存2）速度较快3）并行化更容易（内存消耗低的后果）

您拥有数百万个文档的用例需要这些因素（根据我的观点）。 请看那里Wikipedia SAX

因此，如果您的HTML是严格的或XHTML。 使用XSLT，这是有关如何使用SAX XSLT + SAX + Java转换XML（XHTML）的教程。

最后，如果您没有XML有效的HTML，请查看以下Java：替换使用流（和PushBackReader）的流，数组，文件等中的字符串 。

HTH

Answer 2

1）如果html是正确的xml，则可以创建其文档对象并删除该节点。

2）如果不是正确的xml，则将整个html读取为字符串＆并使用replace函数删除“ html” sunbstring。

如果HTMl不是正确的xml，则regex是替换字符串的最快方法。

Answer 3

似乎Java regexp是最快的解决方案。 但是，它降低了之后获得的文本的质量。