使用标准Java从HTML段中提取文本

Question

我正在接收一段HTML文档作为Java String，我想提取它的内部文本。 ----> hello world 例如： hello ----> hello world

有没有一种方法可以使用Java标准库提取文本？ 也许比使用空字符串打开/关闭标签正则表达式更有效？ 谢谢，

Answer 1

不要使用正则表达式来解析HTML，而应使用HtmlCleaner之类的专用解析器。

使用正则表达式通常可以在第一时间就可以工作，然后变得越来越复杂，直到无法适应为止。

Answer 2

不要使用正则表达式来解析HTML ，例如使用jsoup：Java HTML Parser 。 它具有从DOM中选择元素的便捷方法。

示例提取Wikipedia主页，将其解析为DOM，然后从“新闻中”部分的标题中选择元素列表：

 Document doc = Jsoup.connect("http://en.wikipedia.org/").get(); Elements newsHeadlines = doc.select("#mp-itn ba"); 

JDK中还有一个HTML解析器： javax.swing.text.html.parser.Parser ，可以这样应用：

Reader in = new InputStreamReader(new URL(webpageURL).openConnection().getInputStream());
ParserDelegator parserDelegator = new ParserDelegator();
parserDelegator.parse(in, harvester, true);

然后，根据要查找的类型：开始标签，结束标签，属性等，定义适当的回调函数：

@Override
public void handleStartTag(HTML.Tag tag,
        MutableAttributeSet mutableAttributeSet, int pos) {

    // parses the HTML document until a <a> or <area> tag is found
    if (tag == HTML.Tag.A || tag == HTML.Tag.AREA) {

        // reading the href attribute of the tag
        String address = (String) mutableAttributeSet
                .getAttribute(Attribute.HREF);

    /* ... */

Answer 3

我也会说-不要在HTML中使用正则表达式。 ;-)

您可以使用JTidy试一试 。

Answer 4

您可以使用HTMLParser ，这是一个开放源代码。