如何将 HTML 文本转换为纯文本？ [复制]

Posted 2023-02-26

【中文标题】如何将 HTML 文本转换为纯文本？ [复制]

【英文标题】：how to convert HTML text to plain text? [duplicate]

【发布时间】：2011-04-06 04:43:49

【问题描述】：

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】：

您的具体要求是什么？您需要去除 HTML 标签吗？提取特定标签的内容？

我可以提取内容，但内容有

类似的问题在这里有很好的答案：***.com/questions/1518675/…。我使用了 Jericho，效果很好。

您应该将此问题标记为已回答。

***.com/q/240546/873282、***.com/q/1699313/873282、***.com/q/1518675/873282 和 ***.com/q/832620/873282 的副本

【参考方案1】：

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】：

为了保留换行符，您现在还可以使用Jsoup.parse(html).wholeText()

【参考方案2】：

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】：

了解为什么这不适用于一般情况，并且不会是 f(u|oo)l-proof：RegEx match open tags except XHTML self-contained tags

爱它...如此简单，却如此强大

【参考方案3】：

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("\\<.*?\\>", "");

【参考方案4】：

使用像htmlCleaner这样的HTML解析器

详细解答：How to remove HTML tag in Java

【参考方案5】：

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。

【参考方案6】：

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。

【参考方案7】：

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】：

投反对票的人能否解释一下他们投反对票的原因？

【参考方案8】：

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://***.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。

【参考方案9】：

我使用HTMLUtil.textFromHTML(value) 来自

<dependency>
    <groupId>org.clapper</groupId>
    <artifactId>javautil</artifactId>
    <version>3.2.0</version>
</dependency>

【参考方案10】：

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:)