从java中的文档中删除html标签的最快方法是什么？答案

【问题标题】：What is the fastest way to remove html tags from a document in java?从java中的文档中删除html标签的最快方法是什么？
【发布时间】：2012-02-01 09:44:43
【问题描述】：

我有一堆网络文档，想从中删除 html 标签。我在 StackOverflow 上看到了一些关于如何在 java 中执行的帖子，从 regex 到 HtmlCleaner 和 Jsoup。

我有兴趣找到最快的方法。我有数百万份文档，所以性能对我来说至关重要。我什至可以用一些质量来换取性能。

提前感谢您的任何回答。

【问题讨论】：

你必须测量它
谢谢，我知道。我想知道是否有人以前这样做过并且可以分享结果。
您究竟需要什么。这只是屏幕抓取吗？
@frankmoss：“我在 StackOverflow 上看到了一些关于如何在 Java 中执行此操作的帖子，从正则表达式到...” 我认为这不是这个答案有 4435 个赞（当我输入这个时）：stackoverflow.com/questions/1732348/… :)
如果您的 Html 是严格的或 XHTML。使用XSLT，这里有一种-[xhtml和XSLT][1]相关的[1]：stackoverflow.com/questions/1639625/…

【解决方案1】：

我的意见是尽可能多地使用流/SAX 处理： 1）因为它使用更少的内存 2）速度很快 3）可以更容易并行化（低内存消耗的结果）

您拥有数百万个文档的用例需要这些因素（来自我的观点）。请看Wikipedia SAX

因此，如果您的 Html 是严格的或 XHTML。使用 XSLT，这里是关于如何使用 SAX XSLT+SAX+Java 转换 XML (XHTML) 的教程。

最后，如果您没有 XML 有效的 HTML，请查看使用流（和 PushBackReader）的 Java: Replace Strings in Streams, Arrays, Files etc.。

HTH

【讨论】：

我正在处理 Web 文档，也就是说，它不是格式良好的 XML。使用 Tidy 或类似的东西会引入开销。感谢您的链接（PushBackReader），将检查出来。
让我知道它是否有帮助......或者即使您需要这种方式的进一步帮助

【解决方案2】：

1) 如果 html 是正确的 xml，那么您可以创建其文档对象并删除节点。

2) 如果不是正确的 xml，则将整个 html 读取为字符串 & 并使用替换功能删除 "html" sunbstring。

如果 HTMl 不是正确的 xml，那么正则表达式是替换字符串的最快方法。

【讨论】：

1) document 的问题是它们都必须在内存中加载和解析，所以它会占用很大的空间，而且如果 html 很大，你可以到达 heap问题。 2) 正则表达式已被@user988052 宣传为无关紧要，请关注问题链接
@andy petrella:- 这就是我所传达的。如果 html 是正确的 xml，则可以使用 sax/dom 解析来删除节点。可以使用字符串的替换功能，并且可以将替换字符串指定为正则表达式
@DS28 我正在处理 Web 文档。所以忘记正确的xml。我担心最好的方法是正则表达式，但似乎我必须要么使用它，要么使用 jsoup。
@frankmoss:- 如果 html 不正确，那么您可以直接使用 Java String 类。 HTML 开始标签将始终出现在开始处，而 HTML 结束标签将出现在文档的末尾。因此，您无需搜索整个文档，只需从顶部搜索第一次出现并从底部搜索第一次出现并替换它。这样可以避免在整个文档中搜索 html 标记。
@frankmoss:- 如果 html 标签是指标准 html 标签，那么您也可以使用替换功能，它可以将正则表达式作为输入，并根据正则表达式删除所有字符串。很多api轮流使用这个函数。但是使搜索更快的是正确的 xml 是一个表单树结构。所以很明显，使用树结构而不是线性搜索，搜索和替换会更快。希望你明白我的意思。

【解决方案3】：

似乎 java regexp 是最快的解决方案。但是，它会降低之后获得的文本的质量。

【讨论】：