Question

我尝试从JTextPane获取漂亮（清理）的文本内容。以下是JTextPane的示例代码：

JTextPane textPane = new JTextPane ();
textPane.setContentType ("text/html");
textPane.setText ("This <b>is</b> a <b>test</b>.");
String text = textPane.getText ();
System.out.println (text);

JTexPane中的文字如下所示：

这测试。

我得到这种打印到控制台：

<html>
  <head>

  </head>
  <body>
    This <b>is</b> a <b>test</b>.
  </body>
</html>

我使用了substring()和/或replace()代码，但使用起来很不舒服：

String text = textPane.getText ().replace ("<html> ... <body>\n    , "");

是否有任何简单的函数可以从字符串中删除除<b>标记（内容）之外的所有其他标记？

有时JTextPane会在内容周围添加<p>个标签，所以我也想摆脱它们。

像这样：

<html>
  <head>

  </head>
  <body>
    <p style="margin-top: 0">
      hdfhdfgh
    </p>
  </body>
</html>

我想只获得带有标签的文字内容：

This <b>is</b> a <b>test</b>.

Answer 1

我已将HTMLWriter隐藏，并覆盖startTag和endTag以跳过<body>之外的所有标记。

我没有测试太多，似乎工作正常。一个缺点是输出字符串有很多空白。摆脱它应该不会太难。

import java.io.*;
import javax.swing.*;
import javax.swing.text.*;
import javax.swing.text.html.*;

public class Foo {

    public static void main(String[] args) throws Exception {
        JTextPane textPane = new JTextPane();
        textPane.setContentType("text/html");
        textPane.setText("<p>This</p> <b>is</b> a <b>test</b>.");

        StringWriter writer = new StringWriter();
        HTMLDocument doc = (HTMLDocument) textPane.getStyledDocument();

        HTMLWriter htmlWriter = new OnlyBodyHTMLWriter(writer, doc);
        htmlWriter.write();

        System.out.println(writer.toString());
    }

    private static class OnlyBodyHTMLWriter extends HTMLWriter {

        public OnlyBodyHTMLWriter(Writer w, HTMLDocument doc) {
            super(w, doc);
        }

        private boolean inBody = false;

        private boolean isBody(Element elem) {
            // copied from HTMLWriter.startTag()
            AttributeSet attr = elem.getAttributes();
            Object nameAttribute = attr
                    .getAttribute(StyleConstants.NameAttribute);
            HTML.Tag name = null;
            if (nameAttribute instanceof HTML.Tag) {
                name = (HTML.Tag) nameAttribute;
            }
            return name == HTML.Tag.BODY;
        }

        @Override
        protected void startTag(Element elem) throws IOException,
                BadLocationException {
            if (inBody) {
                super.startTag(elem);
            }
            if (isBody(elem)) {
                inBody = true;
            }
        }

        @Override
        protected void endTag(Element elem) throws IOException {
            if (isBody(elem)) {
                inBody = false;
            }
            if (inBody) {
                super.endTag(elem);
            }
        }
    }
}

Answer 2

您可以使用JEditorPane自己使用的HTML解析器HTMLEditorKit.ParserDelegator。

请参阅this example和API docs.

Answer 3

我通过使用substring和replace -methods找到了解决这个问题的方法：

// Get textPane content to string
String text = textPane.getText();

// Then I take substring to remove tags (html, head, body)
text = text.substring(44, text.length() - 19);

// Sometimes program sets <p style="margin-top: 0"> and </p> -tags so I remove them
// This isn't necessary to use.
text = text.replace("<p style=\"margin-top: 0\">\n      ", "").replace("\n    </p>", ""));

// This is for convert possible escape characters example &amp; -> &
text = StringEscapeUtils.unescapeHtml(text);

有StringEscapeUtils -libraries的链接，它将转义字符转换回普通视图。感谢Ozhan Duz提出的建议。

（commons-lang - download）

Answer 4

String text = textPane.getDocument.getText (0,textPane.getText().length());

如何在Java中将JTextPanes / JEditorPanes html内容清理为字符串？

4 个答案: