Java 从html中提取文本：寻找一个好的类似sax的解析器或使用dom解析器的建议

我有一个html文档，格式如下：

<p>
 some plain text <em>some emphatized text</em>, <strong> some strong text</strong>
</p>
<p>
 just some plain text
</p>
<p>
  <strong>strong text </p> followed by plain, <a>with a link at the end!</a>
</p>

---

出于这个目的，我想一个类似sax的解析器会比dom更好，因为我不知道内部标记的编号和顺序：一个段落可以有零个或多个不同类型的内部标记。

您可以使用dom解析器，获取p标记内部的文本（包括子html元素）输入一个字符串变量，并使用其他一些功能从结果字符串中去除所有html标记。这将使您拥有p标记之间的所有内容，而没有任何子元素标记

示例

<p>
    some plain text <em>some emphatized text</em>, <strong> some strong text</strong>
</p>
<p>
    just some plain text
</p>
<p>
    <strong>strong text </p> followed by plain, <a>with a link at the end!</a>
</p>

一些纯文本一些强调文本，一些强文本


只是一些纯文本


强文本
后跟纯文本，末尾有链接！

使用一些dom解析器将p标记提取到字符串中，您将得到如下字符串：

String content = "some plain text <em>some emphatized text</em>, <strong> some strong text</strong>";
content = stripHtmlTags( content );
println( content ); // some plain text some emphatized text, some strong text

String content=“一些纯文本一些强调文本，一些强文本”；
content=stripHtmlTags（content）；
println（内容）；//一些纯文本，一些强调文本，一些强文本

String extractedText=Html.fromHtml（您的Html字符串）.toString（）

这将为您提供提取的文本。。 希望这对您有所帮助。

添加代码以通过DOM pase读取CDATA
Add code to read CDATA by DOM pase
**childNode.getNodeType() == Node.CDATA_SECTION_NODE**

if Using XMLUtils modify like

public static String getNodeValue(Node node) {
        node.normalize();
        String response = node.getNodeValue();
        if (response != null) {
            return response;
        } else {
            NodeList list = node.getChildNodes();
            int size = list == null ? 0 : list.getLength();
            for (int j = 0; j < size; j++) {
                Node childNode = list.item(j);
                if (childNode.getNodeType() == Node.TEXT_NODE
                        || childNode.getNodeType() == Node.CDATA_SECTION_NODE) {
                    response = childNode.getNodeValue();
                    return response;
                }
            }
        }
        return "";
    }

**childNode.getNodeType（）==Node.CDATA\u节\u节点**
如果使用XMLUtils，请进行类似的修改
公共静态字符串getNodeValue（节点）{
node.normalize（）；
字符串响应=node.getNodeValue（）；
if（响应！=null）{
返回响应；
}否则{
NodeList list=node.getChildNodes（）；
int size=list==null？0:list.getLength（）；
对于（int j=0；j

mm…我需要一个正则表达式，上面写着“extract everything is between to”，但我不是很好…你能帮我吗？

Add code to read CDATA by DOM pase
**childNode.getNodeType() == Node.CDATA_SECTION_NODE**

if Using XMLUtils modify like

public static String getNodeValue(Node node) {
        node.normalize();
        String response = node.getNodeValue();
        if (response != null) {
            return response;
        } else {
            NodeList list = node.getChildNodes();
            int size = list == null ? 0 : list.getLength();
            for (int j = 0; j < size; j++) {
                Node childNode = list.item(j);
                if (childNode.getNodeType() == Node.TEXT_NODE
                        || childNode.getNodeType() == Node.CDATA_SECTION_NODE) {
                    response = childNode.getNodeValue();
                    return response;
                }
            }
        }
        return "";
    }