如何在 Java 中从和 Html 字符串中去除文本答案

【问题标题】：How to Strip Out the Text From And Html String in Java如何在 Java 中从和 Html 字符串中去除文本
【发布时间】：2012-12-18 15:25:18
【问题描述】：

我想分析html页面的结构。对于一个页面，我将它作为一个字符串，我想去掉文本并只保留 html 结构。我不想使用 DOM 解析器，我需要一些健壮的东西，它不仅适用于 xhtml，而且适用于常规 html。我知道正则表达式足以从字符串中去除 html 标签，但是它们可以用来去除文本并只保留 html 标签吗？

您知道我可以使用的任何其他选项/框架吗？

【问题讨论】：

我肯定会使用 DOM 解析器...
我想避免 DOM 解析的原因是我想将生成的 html 用作字符串而不是 DOM。但是，我可以使用 DOM 解析器来剥离文本，然后将其作为字符串获取。这也有效，我只想知道我还有哪些其他选择。

标签： java html string parsing

【解决方案1】：

我怀疑使用正则表达式是否有一种简单的方法。

Jericho 是一个非常简洁的 HTML 解析器，占用空间小，只有一个 jar，无需额外的外部库。

【讨论】：

我以前一直在使用 Jericho，我尝试过我的特定任务，但它似乎不太适合更改 html 结构。例如，您需要一个特殊的 TextExtractor 类来访问 html 标签中的文本。似乎很难删除每个节点中的文本，因为似乎不存在任何更改内部 html 的方法。我应该尝试一下 JSoup，它似乎更适合我的目的。

【解决方案2】：

您知道我可以使用的任何其他选项/框架吗？

您可能想查看JSoup。似乎旨在解决这类问题。

【讨论】：

【解决方案3】：

如果您以前删除过标签，您就知道基本要点是删除之间的所有内容。去除文本非常相似，只是你去除了 > 和

【讨论】：

【解决方案4】：

这可能会给你一个不错的开始。我对HTML没有太多经验，所以我不知道除了之外是否还有其他东西可以解析出来。

public static void main(String[] args){
    String html = "<body> text text text text </body>";
    String htmlTags = null;
    char c;
    for(int i = 0 ; i < html.length() ; i++){
        c = html.charAt(i);
        if(tagStart(Character.toString(c))){
            for(int j = i ; j < html.length() ; j++){
                if(htmlTags != null){
                    htmlTags += Character.toString(html.charAt(j));
                }else{
                    htmlTags = Character.toString(html.charAt(j));
                }
                c = html.charAt(j);
                if(tagStop(Character.toString(c))){
                    break;
                }
            }
        }
    }
}

private static boolean tagStart(String check){
    if(check.equals("<")){
        return true;
    }else{
        return false;
    }
}

private static boolean tagStop(String check){
    if(check.equals(">")){
        return true;
    }else{
        return false;
    }
}

【讨论】：

如果我没有其他可靠的方法，这是一个好的开始。有一些事情我会尝试 DOM 或任何其他解析器/库，甚至是直接解析之前的正则表达式。首先，我必须将包含的“文本”保留在

【解决方案5】：

类似的东西：

pageSource.replaceAll(">.*<", "><");

应该让你开始。

【讨论】：