终于搞懂如何用Java去除HTML标签了
Posted Java佳佳
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了终于搞懂如何用Java去除HTML标签了相关的知识,希望对你有一定的参考价值。
在我平时的工作中,偶尔会用 Java 做一些解析html的工作。有的时候我需要删除所有的HTML标签,只保留纯文字内容。这个问题在做过一些爬虫工作的朋友来说很简单。下面来说说,我们平时使用到的集中解析的方法。
使用正则表达式
通过爬虫爬到的HTML内容,从程序角度来讲,就是一个字符串。我们可以对其按照纯文本处理的方式来处理。
我们在做文本处理的时候,第一个想到的就是正则表达式。从一个字符串中删除HTML,对于正则来说,还是比较简单的。毕竟还是有固定的格式,比如“<...>”。
我们常用的的正则就是 <[^>]> 或者 <.*?> 。
我们在使用正则的时候,需要注意的是正则默认是贪婪匹配。也就是说,正则表达式<.*> 能够匹配到更多的HTML内容,而不是单个标签。
现在,让我们测试一下它是否能从HTML源中删除标签。
正则测试删除标签1
在我们测试删除HTML标签之前,首先让我们创建一个HTML例子,例如example1.html。
<!DOCTYPE html>
<html>
<head>
<title>这是标题</title>
</head>
<body>
<p>
如果应用程序X没有启动,可能的原因是<br/>
1. <a href="https://maven.apache.org">Maven</a>没有安装<br/>
2. 磁盘空间不足<br/>
3. 内存不足
</p>
</body>
</html>
现在,让我们写一个测试,用String.replaceAll()来删除HTML标签。
String html = ... // load example1.html
String result = html.replaceAll("<[^>]`>", "");
System.out.println(result);
如果我们运行这个测试方法,我们会看到结果。
这是标题
如果应用程序X没有启动,可能的原因是
1.Maven没有安装
2.磁盘空间不足
3.没有足够的内存
输出结果保留了剥离后的HTML的空白处。我们在处理提取的文本时,可以很容易地删除或跳过这些空行或空白处。
正则测试删除标签2
我们刚才已经看到了,通过使用Regex来删除HTML标签是非常简单。但是粗暴的使用这种方法会有很多问题,我们不能预测最终的结果会是怎么样的。
例如,一个HTML文档可能有<script>或<style>标签,而我们可能不希望在结果中出现它们的内容。
此外,<script>、<style>、甚至是<body>标签中的文本可能包含 <或 >字符。如果是这种情况,我们的正则方法可能会出错。
现在,让我们看看另一个例子,比如example2.html。
<!DOCTYPE HTML>
<html>
<head>
<title>这是标题</title>
</head>
<script>
// some js function
</script>
<body>
<p>
如果应用程序X没有启动,可能的原因是<br/>
1. <a
id="link"
href="http://maven.apache.org/">
Maven
</a> 没有安装<br/>
2. 磁盘空间不足 (<1G) <br/>
3. 内存不足(<64MB)<br/>
</p>
</body>
</html>
现在我们有一个<script>标签和 <字符在<body>标签内。
如果我们对example2.html使用同样的方法,我们会得到如下内容。
这是标题
// some js function
如果应用程序X没有启动,可能的原因是
1.
Maven
没有安装
2. 磁盘空间不足 (
3. 内存不足(
显然,由于"<"字符的存在,我们丢失了一些文本。所以正则在处理文本的时候并不是万能的。我们可以使用一些 HTML 解析器来做这些比较复杂的场景。
使用Jsoup
Jsoup 是一个流行的HTML解析库,如果想要从一个HTML文档中提取文本,我们可以简单地调用Jsoup.parse(htmlString).text()。
在项目中使用的时候,我们首先需要添加 jsoup 的依赖库,我们这里就通过maven的方式引入。
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.14.3</version>
</dependency>
我们用 example2.html来测试一下。
String html = ... // load example2.html
System.out.println(Jsoup.parse(html).text());
如果我们让这个方法运行,它就会打印出来。
这是标题 如果应用程序X没有启动,可能的原因是 1.Maven没有安装 2.没有足够的(<1G)磁盘空间 3.没有足够的(<64MB)内存
从输出结果可知,Jsoup已经成功地从HTML文档中提取了文本。另外,<script>元素中的文本已经被忽略了。
此外,默认情况下,Jsoup会删除所有的文本格式和空白处,比如换行符。
使用HTMLCleaner
HTMLCleaner 也是一个HTML解析库。
首先,我们需要在pom.xml中添加HTMLCleaner 依赖。
<dependency>
<groupId>net.sourceforge.htmlcleaner</groupId>
<artifactId>htmlcleaner</artifactId>
<version>2.25</version>
</dependency>
我们可以设置[各种参数](http://htmlcleaner.sourceforge.net/parameters.php)来控制HTMLCleaner的解析行为。我们在这里使用HTMLCleaner在解析example2.html时跳过<script>元素。
String html = ... // load example2.html
CleanerProperties props = new CleanerProperties();
props.setPruneTags("script");
String result = new HtmlCleaner(props).clean(html).getText().toString();
System.out.println(result);
运行一下,HTMLCleaner将产生这样的输出。
这是标题
如果应用程序X没有启动,可能的原因是:
1.Maven没有安装
2.没有足够的(<1G)磁盘空间
3.内存不足(<64MB)
我们可以看到,<script>元素中的内容被忽略了, <br/>标签转换为提取的文本中的换行符。另外, HTMLCleaner 保留了HTML的空白内容。
总结
在这篇文章中,我们学习了几种去除HTML的方法,我们需要注意的是,正则在文本处理的过程中并不是万能的。
不懂如何用 R 语言做数据挖掘?我们教你啊:)
在做「数据挖掘」时,我们首先关心的往往都是所使用工具的可伸缩性,即在面对大数据量场景时的计算能力。
而这一领域常常面临着关联规则挖掘、聚类、分类几大问题,R 语言作为一个完备的工程计算包,对它们提供了足够的支持,也因此成为从业者们一个不错的选择。
但具体该怎么进行呢?中国 R 语言大会讲师,著有《R语言与数据挖掘》、《R语言游戏数据分析》的「谢佳标」教授,通过 69 页 PPT 完整讲述了这一过程,这里分享给大家。
1 如何用 R 语言做数据清洗
1.1 数据质量分析—缺失值处理
1.2 数据质量分析—异常值分析
2 如何用 R 语言进行建模
3 常用数据挖掘算法的基本原理及 R 语言实现
3.1 数据挖掘模型分类
3.2 常用数据挖掘模型
4 利用关联规则进行购物篮分析
4.1 关联规则的R语言实现
4.2 其他主要函数
4.3 扩展方法包-arulesViz
4.4 超市购物例子-数据理解
4.5 可视化商品的支持度—商品的频率图
4.6 可视化交易数据—绘制稀疏矩阵
4.7 基于数据训练模型
4.8 对关联规则处理
5 利用 R 语言对游戏经济系统进行探索
5.1 数据介绍
5.2 相关性分析原理
5.3 R语言实现
5.4 分析结果
5.5 聚类分析基本原理
5.6 主成分分析
以下为 PPT 全文:
如何用 R 做数据清洗
如何用 R 进行数据建模
常用数据挖掘算法基本原理
及 R 语言实现
利用关联规则进购物篮分析
利用 R 语言对游戏经济
系统进行探索
-END-
来源 | 大数据分析和人工智能
你可能感兴趣的...
(点击文/图即可查看相关内容)
01 技术干货 | 02 热点事件
03 大 咖 说 | 04 往期精彩
05 产品试用 | 06 官网直达
点击下方“阅读原文”免费申请平台产品试用☺
以上是关于终于搞懂如何用Java去除HTML标签了的主要内容,如果未能解决你的问题,请参考以下文章
一文看懂如何用 Python 查看三维数据 (nii.gz格式) 的各种图像参数
java 如何去除html中的一个指定标签和指定标签里的内容