如何读取和操作从 Microsoft Word 导出的 HTML 文档？答案

【问题标题】：How to read and manipulate a HTML document exported from Microsoft Word?如何读取和操作从 Microsoft Word 导出的 HTML 文档？
【发布时间】：2012-10-05 15:20:25
【问题描述】：

我有一个保存为 .htm 网页的 Microsoft Word Doc。下面是我的代码。我的问题是如何从文档中获取文本，并将其附加到字符串中。我注意到该段落设置为标签<p class=MsoNormal>，因此有任何建议。我要附加的字符串是 documentText

    String documentText = "";
    FileInputStream fileInput = null;
    BufferedInputStream myBuffer = null;
    DataInputStream dataInput = null;
    fileInput = new FileInputStream(selectedFile);
    myBuffer = new BufferedInputStream(fileInput);
    dataInput = new DataInputStream(myBuffer);
    while (dataInput.available() != 0){
        System.out.println(dataInput.readLine());
    }

【问题讨论】：

标签： java ms-word html-parsing

【解决方案1】：

查看HTML Parser 和Jericho HTML Parser 等库，或使用this answer 上建议的原生HTMLEditorKit.Parser + HTMLEditorKit.ParserCallback 方法。

【讨论】：

所以在示例中，答案中传入的片段是什么。我是桌面和应用程序开发人员。网络开发人员不多。
这个 API 实际上来自 Swing :D。 Bart Kiers 正在从 main 方法上的固定 html 片段创建一个StringReader，并打印遇到的每个TR（表格行）标签。您可以使用任何其他类型的阅读器（例如，指向您的外部文件的 BufferedReader）和标记（例如 <p> 标记）来执行类似的操作。
哦，好吧，如果我想读入所有标签，做一些字符串操作，然后写回 html 文件怎么办？
那么我再次建议使用更高级的库，例如 Jericho。查看我的答案中链接的网页上的示例程序。下载库并玩转。

【解决方案2】：

使用 HTML Parser 库，例如 HTML Parser。

【讨论】：

马克，很抱歉直截了当，但鉴于你的问题，是的。花点时间研究 galuano1 和我建议的库并自己研究，stackoverflow 不能替代 Google。当您有更具体的问题要问时（这意味着实际进行一些解析的代码），人们将能够进一步帮助您。
我明白这一点，但 Anthony Accioly 实际上指出了一个例子。不是找人帮我做。