Question

我刚刚开始使用HTMLUnit，而我正在寻找的是获取网页并从中提取原始文本减去所有html标记。

htmlunit可以做到吗？如果是这样，怎么样？或者我应该看另一个图书馆吗？

例如，如果页面包含

<body><p>para1 test info</p><div><p>more stuff here</p></div>

我希望输出

para1 test info more stuff here

感谢

Answer 1

http://htmlunit.sourceforge.net/gettingStarted.html表明这确实是可能的。

@Test
public void homePage() throws Exception {
    final WebClient webClient = new WebClient();
    final HtmlPage page = webClient.getPage("http://htmlunit.sourceforge.net");
    assertEquals("HtmlUnit - Welcome to HtmlUnit", page.getTitleText());

    final String pageAsXml = page.asXml();
    assertTrue(pageAsXml.contains("<body class=\"composite\">"));

    final String pageAsText = page.asText();
    assertTrue(pageAsText.contains("Support for the HTTP and HTTPS protocols"));
}

NB： page.asText（）命令似乎提供了您所追求的目标。

Javadoc for asText（从DomNode继承到HtmlPage）

如何使用HtmlUnit从网页中提取没有HTML标签的文本？

1 个答案: