朋友的 我必须从url解析描述，其中解析的内容很少有html标签，所以我怎样才能将它转换为纯文本。
【问题讨论】：
zcc dsdfsf ddfdfsf
sfdfdfdfdf，就像上面我正在获取我的数据但我需要是一个简单的纯文本。没有那些 html 标签是的，Jsoup 将是更好的选择。只需执行以下操作即可将整个 HTML 文本转换为纯文本。
String plainText= Jsoup.parse(yout_html_text).text();
【讨论】：
Jsoup.parse(html).wholeText()
去掉 HTML 标签很简单：
// replace all occurrences of one or more HTML tags with optional
// whitespace inbetween with a single space character
String strippedText = htmlText.replaceAll("(?s)<[^>]*>(\\s*<[^>]*>)*", " ");
但不幸的是，要求从来没有那么简单：
通常，<p> 和 <div> 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。
【讨论】：
您可以使用这一行来删除 html 标记并将其显示为纯文本。
htmlString=htmlString.replaceAll("\\<.*?\\>", "");
【讨论】：
使用像htmlCleaner这样的HTML解析器
【讨论】：
使用 Jsoup。
添加依赖
<dependency>
<!-- jsoup HTML parser library @ https://jsoup.org/ -->
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.13.1</version>
</dependency>
现在在您的 java 代码中：
public static String html2text(String html) {
return Jsoup.parse(html).wholeText();
}
只需调用方法 html2text 并传递 html 文本，它将返回纯文本。
【讨论】：
我建议通过 jTidy 解析原始 HTML，它应该会为您提供可以编写 xpath 表达式的输出。这是我发现的最可靠的 HTML 抓取方式。
【讨论】：
如果你想像浏览器显示一样解析，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);
}
}
我希望这也有助于以浏览器格式解析表格。
谢谢， 象头神
【讨论】：
我需要包含 FreeMarker 标签的一些 HTML 的纯文本表示。问题是通过 JSoup 解决方案交给我的，但 JSoup 正在转义 FreeMarker 标记，从而破坏了功能。我还尝试了 htmlCleaner (sourceforge)，但留下了 HTML 标题和样式内容（已删除标签）。 http://stackoverflow.com/questions/1518675/open-source-java-library-for-html-to-text-conversion/1519726#1519726
我的代码：
return new net.htmlparser.jericho.Source(html).getRenderer().setMaxLineLength(Integer.MAX_VALUE).setNewLine(null).toString();
maxLineLength 确保不会人为地将行换行为 80 个字符。
setNewLine(null) 使用与源相同的换行符。
【讨论】：
我使用HTMLUtil.textFromHTML(value)
来自
<dependency>
<groupId>org.clapper</groupId>
<artifactId>javautil</artifactId>
<version>3.2.0</version>
</dependency>
【讨论】：
使用 Jsoup，我得到了同一行中的所有文本。
所以我使用以下代码块来解析 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;
}
不是最好的解决方案，但解决了我的问题:)
【讨论】：