Html 2文本 - 删除“隐藏”文本

Question

我目前正在寻找方法来阅读网站的可见文本并使用Java将其存储为纯文本字符串。

换句话说，我想转换这样的东西：

Hello <span style="display: none">stupid</span> World进入“Hello World”

或类似

<span>Un</span>friendly进入“不友好”（而不是“非友好”）

或

Hello

World

进入“Hello World”（因为HTML中忽略了新行）

你知道任何能够协助完成这项任务的lib吗？

干杯，

的Matthias

Answer 1

Boilerpipe是一个用Java编写的HTML清理库。

Answer 2

查看Cobra以查看API是否提供了呈现HTML并将其转换为纯文本的任何方法。