從html文件中提取某些文本

Question

我想從html文件中提取文本，這些文件位於parapraph（p）和link（a href）標簽之間。我想在沒有 java正則表達式和html解析器的情況下完成它。我想要

while ((word = reader.readLine()) !=null) { //iterate to the end of the file
    if(word.contains("<p>")) { //catching p tag
        while(!word.contains("</p>") { //iterate to the end of that tag
            try { //start writing
                out.write(word);
            } catch (IOException e) {
            }
        }
    }
}

但是沒有用。代碼似乎對我很有用。讀者如何能夠捕獲“p”和“a href”標簽。

Answer 1

當你在一行中有這樣的<p>blah</p>這樣的問題時就會出現問題。 一個簡單的解決方案是將所有< to \\n< - 更改為：

boolean insidePar = false;
while ((line = reader.readLine()) !=null) {
    for(String word in line.replaceAll("<","\n<").split("\n")){
        if(word.contains("<p>")){
            insidePar = true;
        }else if(word.contains("</p>")){
            insidePar = false;
        }
        if(insidePar){ // write the word}
    }
}

我還建議使用像@HovercraftFullOfEels這樣的解析器庫。

編輯：我已經更新了代碼，所以它更接近工作版本，但可能會遇到更多問題。

Answer 2

我認為使用庫會更容易。 使用這個http://jsoup.org/ 。 您還可以解析String