Question

我有一串带有标签和特殊字符的HTML代码，例如：

 &lt;p class=&quot;MsoNormal&quot;&gt;&lt;span style=&quot;font-size: 14pt; font-family: TimesNewRoman;&quot;&gt; I Just want this Text here?&lt;o:p&gt;&lt;/o:p&gt;&lt;/span&gt;&lt;/p&gt;

或

&lt;div&gt;This is more text i would like. :( &lt;/div&gt;&lt;div&gt;&amp;nbsp;&lt;/div&gt;

我只是想知道是否有任何方法可以从html字符串中提取文本。我曾尝试使用一些正则表达式来替换字符串，但它似乎不像海湾方式那样做。还尝试了JSoup，但没有太多运气。

有什么想法吗？问候。

Answer 1

这实际上可能是重复的。您的解决方案看起来像这样。

    String inputString = "&lt;div&gt;This is more text i would like. :( &lt;/div&gt;&lt;div&gt;&amp;nbsp;&lt;/div&gt;";
    inputString = inputString.replace("&lt;", "<");
    inputString = inputString.replace("&gt;", ">");
    inputString = inputString.replaceAll("<[^>]*>", "");
    System.out.println(inputString);

这将提取不在html标签中的所有项目。我不确定你是否想要第一个元素或所有元素。这里假设将删除所有html标签，将所有文本保留在其位置，包括＆符号。可以通过替换或策略来处理逃逸的＆符号。

Answer 2

你有另一个是aspose。看一下链接

http://www.aspose.com/java/word-component.aspx

Document doc = new Document();
DocumentBuilder builder = new DocumentBuilder(doc);
builder.insertHtml(
        "<P align='right'>Paragraph right</P>" +
                "<b>Implicit paragraph left</b>" +
                "<div align='center'>Div center</div>" +
                "<h1 align='left'>Heading 1 left.</h1>");

doc.save(getMyDir() + "DocumentBuilder.InsertHtml Out.doc");

Answer 3

你确定你正确使用JSoup吗？对于这一点来说，这将是完美的，我会一直使用它来做同样的事情。

您的代码如下所示：

String stringWithHtml="<div>&nbsp;test&nbsp;</div>";
String extractedText = Jsoup.parse(stringWithHtml).text();
//extractedText is now "test"

确保JSoup库位于类路径中。

Answer 4

您可以通过Jsoup和正则表达式

的组合操作来解决此问题

  String st="&lt;p class=&quot;MsoNormal&quot;&gt;&lt;span style=&quot;font-size: 14pt; font-family: TimesNewRoman;&quot;&gt; I Just want this Text here?&lt;o:p&gt;&lt;/o:p&gt;&lt;/span&gt;&lt;/p&gt;";
  System.out.println(Jsoup.parse(st).text().replaceAll("\\<.*?>",""));

从HTML String Java中提取文本

4 个答案: