Java之提取html中的文本内容

绝地灬酷狼 2023-07-03 10:54 10阅读 0赞

### 思想如下： ###

> 使用jsoup对html文档进行解析，每个html标签（Element）、文本（TextNode）都抽象成一个Node，每一个Node都含有childNodes()方法来枚举其包含的Node，这里通过递归来提取文本内容，对于非TextNode的Node，我们遍历其孩子Node，对于TextNode我们直接返回结果。

### 其中jsoup的gradle依赖为`compile 'org.jsoup:jsoup:1.11.3'` ###

>     import java.util.List;
>     
>     import org.jsoup.Jsoup;
>     import org.jsoup.nodes.Document;
>     import org.jsoup.nodes.Node;
>     import org.jsoup.nodes.TextNode;
>     
>     
>     public class HtmlUtils {
>     	private static String extractText(Node node){
>             /* TextNode直接返回结果 */
>             if(node instanceof TextNode){    
>                 return ((TextNode) node).text();  
>             }   
>             /* 非TextNode的Node，遍历其孩子Node */
>             List<Node> children = node.childNodes();   
>             StringBuffer buffer = new StringBuffer();    
>             for (Node child: children) {   
>                 buffer.append(extractText(child)); 
>             }   
>             return buffer.toString();
>         }
>         /* 使用jsoup解析html并转化为提取字符串*/
>         public static String html2Str(String html){   
>             Document doc = Jsoup.parse(html);    
>             return extractText(doc);
>         }
>     
>         public static void main(String[] args) {
>         	String text=HtmlUtils.html2Str(html);
>         	System.out.println(text);
>     	}
>     }

发表评论取消回复

表情：

评论列表（有 0 条评论，10人围观）

还没有评论，来说两句吧...

相关阅读

相关 Java 提取HTML文件中的文本内容

本文提供详细步骤及代码演示了如何使用免费 Java API 提取HTML 文件中的文本内容。

不念不忘少年蓝@/ 2024年05月01日 03:40/ 0 赞/ 78 阅读

相关使用Python快速提取PPT中的文本内容

本文介绍了如何使用Python提取幻灯片中的文本内容，包括提取幻灯片文本、备注文本以及批注文本。

男娘i/ 2024年05月01日 03:10/ 0 赞/ 78 阅读

相关提取富文本的纯文字内容

package com.unicom.park.service.web.utils; import java.io.ByteArrayInputStr

红太狼/ 2024年02月05日 20:10/ 0 赞/ 46 阅读

相关 Java之提取html中的文本内容

思想如下： > 使用jsoup对html文档进行解析，每个html标签（Element）、文本（TextNode）都抽象成一个Node，每一个Node都含有childNo

绝地灬酷狼/ 2023年07月03日 10:54/ 0 赞/ 11 阅读

相关【html】Python提取html中文本到txt

正则去标签方式 -- coding: utf-8 -- import re def html_tag_rm(content: str)

妖狐艹你老母/ 2023年03月01日 08:39/ 0 赞/ 170 阅读

相关 Java 提取 PPT 中 SmartArt 图形的文本内容

（使用工具： Free Spire.Presentation for Java） JAR包导入方法一：下载Free Spire.Presentation for Java

秒速五厘米/ 2022年11月20日 06:56/ 0 赞/ 223 阅读

相关 .net提取html中的文本,从元素提取属性、文本和HTML

Problem After parsing a document, and finding some elements, you'll want to get at the

约定不等于承诺〃/ 2022年10月08日 00:40/ 0 赞/ 197 阅读

相关 java实现html的文本提取-Demo

java实现html的文本提取-Demo package com.ydfind.util; import com.alibaba.druid.uti

超、凢脫俗/ 2022年09月11日 01:13/ 0 赞/ 175 阅读

相关 java 使用Jsoup提取HTML纯文本

java 使用Jsoup提取HTML纯文本网上很多提取HTML文本的方法，但是都不全，很多的特殊字符不能过滤掉，本文章讲述的方法可以将所有的标签包括HTML的特殊字符全

电玩女神/ 2022年04月23日 12:40/ 0 赞/ 322 阅读

相关提取html中的文本内容的工具类（jsoup）

1、项目中添加依赖 <dependency> <groupId>org.jsoup</groupId> <artifactId>jsoup</

迈不过友情╰/ 2022年01月29日 05:59/ 0 赞/ 369 阅读