使用標准Java從HTML段中提取文本

Question

我正在接收一段HTML文檔作為Java String，我想提取它的內部文本。 ----> hello world 例如： hello ----> hello world

有沒有一種方法可以使用Java標准庫提取文本？ 也許比使用空字符串打開/關閉標簽正則表達式更有效？ 謝謝，

Answer 1

不要使用正則表達式來解析HTML，而應使用HtmlCleaner之類的專用解析器。

使用正則表達式通常可以在第一時間就可以工作，然后變得越來越復雜，直到無法適應為止。

Answer 2

不要使用正則表達式來解析HTML ，例如使用jsoup：Java HTML Parser 。 它具有從DOM中選擇元素的便捷方法。

示例提取Wikipedia主頁，將其解析為DOM，然后從“新聞中”部分的標題中選擇元素列表：

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

JDK中還有一個HTML解析器： javax.swing.text.html.parser.Parser ，可以這樣應用：

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

然后，根據要查找的類型：開始標簽，結束標簽，屬性等，定義適當的回調函數：

@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

我也會說-不要在HTML中使用正則表達式。 ;-)

您可以使用JTidy試一試 。

Answer 4

您可以使用HTMLParser ，這是一個開放源代碼。