Java 如何将HTML文本转换为纯文本？

朋友的 我必须从url解析描述，解析后的内容几乎没有html标记，因此如何将其转换为纯文本

htmlString=htmlString.replaceAll("\\<.*?\\>", "");

String plainText= Jsoup.parse(yout_html_text).text();

---

详细答案：

我建议您解析原始HTML，通过它您可以编写xpath表达式。这是我发现的最有效的清除HTML的方法。

清除HTML标记很简单：

// replace all occurrences of one or more HTML tags with optional
// whitespace inbetween with a single space character 
String strippedText = htmlText.replaceAll("(?s)<[^>]*>(\\s*<[^>]*>)*", " ");

//将所有出现的一个或多个HTML标记替换为可选标记
//中间带空格的单个空格字符
String strippedText=htmlText.replaceAll（“（？s）]*>（\\s*]*>）*”，“”）；

但不幸的是，要求从来没有这么简单：

---

通常，

和

元素需要单独处理，可能有带有

字符（例如javascript）的cdata块会弄乱正则表达式等。

您可以使用这一行删除html标记并将其显示为纯文本

htmlString=htmlString.replaceAll("\\<.*?\\>", "");

String plainText= Jsoup.parse(yout_html_text).text();

htmlString=htmlString.replaceAll（“\\”，”）；

如果要分析类似于浏览器显示的内容，请使用：

import net.htmlparser.jericho.*;
import java.util.*;
import java.io.*;
import java.net.*;

public class RenderToText {
    public static void main(String[] args) throws Exception {
        String sourceUrlString="data/test.html";
        if (args.length==0)
          System.err.println("Using default argument of \""+sourceUrlString+'"');
        else
            sourceUrlString=args[0];
        if (sourceUrlString.indexOf(':')==-1) sourceUrlString="file:"+sourceUrlString;
        Source source=new Source(new URL(sourceUrlString));
        String renderedText=source.getRenderer().toString();
        System.out.println("\nSimple rendering of the HTML document:\n");
        System.out.println(renderedText);
  }
}

我希望这将有助于以浏览器格式解析表

谢谢，

---

Ganesh

我需要一些HTML的纯文本表示，其中包括FreeMarker标记。这个问题是通过JSoup解决方案交给我的，但是JSoup正在逃避FreeMarker标记，从而破坏了功能。我还尝试了htmlCleaner（sourceforge），但这留下了HTML标题和样式内容（标记被删除）。

我的代码：

return new net.htmlparser.jericho.Source(html).getRenderer().setMaxLineLength(Integer.MAX_VALUE).setNewLine(null).toString();

maxLineLength

确保行不会被人为地包装为80个字符。

setNewLine（null）

使用与源代码相同的新行字符。

是，将是更好的选择。只需像下面这样将整个HTML文本转换为纯文本

htmlString=htmlString.replaceAll("\\<.*?\\>", "");

String plainText= Jsoup.parse(yout_html_text).text();

---

我使用

HTMLUtil.textFromHTML（值）

从

org.clapper
javautil
3.2.0

使用Jsoup

添加依赖项

<dependency>
  <!-- jsoup HTML parser library @ https://jsoup.org/ -->
  <groupId>org.jsoup</groupId>
  <artifactId>jsoup</artifactId>
  <version>1.13.1</version>
</dependency>

---

只需调用传递html文本的方法html2text，它将返回纯文本。

使用Jsoup，我得到了同一行中的所有文本

htmlString=htmlString.replaceAll("\\<.*?\\>", "");

String plainText= Jsoup.parse(yout_html_text).text();

因此，我使用以下代码块解析HTML并保留新行：

private String parseHTMLContent(String toString) {
    String result = toString.replaceAll("\\<.*?\\>", "\n");
    String previousResult = "";
    while(!previousResult.equals(result)){
        previousResult = result;
        result = result.replaceAll("\n\n","\n");
    }
    return result;
}

private String parseHTMLContent（字符串到字符串）{
字符串结果=toString.replaceAll（“\\”，“\n”）；
字符串previousResult=“”；
而（！previousResult.equals（result））{
先前的结果=结果；
result=result.replaceAll（“\n\n”和“\n”）；
}
返回结果；
}

---

不是最好的解决方案，但解决了我的问题：）

您的确切要求是什么？你需要去掉HTML标签吗？提取特定标记的内容？我可以提取内容，但内容有zcc-dsdfsf-ddfdfsf

sfdfdfdff，如上所述，我正在获取数据，但我需要是一个简单的纯文本。没有这些html标记，类似的问题在这里有很好的答案：。我用的是杰里科，效果很好。你应该把这个问题标记为已回答。重复的，，和，那些被否决的投票者能解释他们为什么被否决吗？关于为什么这在一般情况下不起作用，并且不会是f（u | oo）l证明：爱它。。。非常简单，但又非常强大，现在还可以使用

Jsoup.parse（html）.wholeText（）