Java 从html获取将显示给用户的文本

有点随意，我想玩一些NLP的东西，我想：

从HTML获取将在浏览器中显示给用户的所有文本

我的理想输出中不会有任何标记，只会有句号（以及使用的任何其他标点符号）和新行字符，尽管我可以容忍在这方面出现相当多的失败（输出中会出现随机的其他内容）

如果有办法在内容可能无法继续的情况下插入换行符或句号，那么这将被视为额外的奖励。e、 g:

ul或option标签中的项目可以用句号分隔（或者老实说，只是忽略了）

我正在使用Java，但我有兴趣看到任何这样做的代码

我可以（如果需要的话也会）想出一些办法来做这件事，只是想知道是否已经有类似的事情发生了，因为这可能比我在一个下午想出的要好；-）

如果我最终这样做，我可能会编写的代码的一个示例是，使用SAX解析器在p标记中查找内容，去掉任何span或strong etc标记，如果我点击了一个div或另一个p而没有一个句号，则添加一个句号

---

欢迎任何指点或建议。

我会把所有有标记的东西都去掉，如果你想在每句话的末尾有一个句号，你可以检查结束标记并放一个句号

如果你有

<strong> test </strong>

测试

---

（以及其他改变测试外观的标签）您可以在此处放置条件，以避免在此处放置句号。

Hmmm。。。几乎任何HTML解析器都可以用来创建您想要的效果——只需运行所有标记并仅发送文本元素，并为每个块元素的结束标记发送LF。正如您所说，SAX实现将是简单而直接的。

HTML解析器似乎是一个合理的起点

例如，它们有很多，而且似乎工作得很好

它们很好，因为它们修复了标记，允许您更一致地处理它们，即使您只是删除它们

但事实证明，您可能希望摆脱脚本标记、元数据等，在这种情况下，您最好使用格式良好的XML，这些人从“野生”html中获得

---

与此相关的问题很多（比如一个），但是您应该搜索“HTML解析”；-）

谢谢，我想我会继续编码；-），我有点想可能有一些聪明的东西在那里-可能有一些被用作可访问性的一部分？这可能有一个更好的系统来决定用户应该阅读/看到什么。