在java中从文档中删除html标签的最快方法是什么？

Question

我有大量的网络文档，想要从中删除html标签。我在StackOverflow上看到了一些关于如何在java中做的帖子，从regex到HtmlCleaner和Jsoup。

我有兴趣找到最快的方法。我有数百万份文档，因此在我的情况下，性能至关重要。我甚至可以为表现换取一点质量。

提前感谢您的任何答案。

Answer 1

我的意见是尽可能多地使用流/ SAX处理： 1）因为它使用较少的内存 2）它很快 3）可以更容易并行化（低内存消耗的结果）

在您拥有数百万份文件的用例中，需要（从我的pov）这些因素。 请看那里Wikipedia SAX

因此，如果你的Html是严格的或XHTML。使用XSLT，这是一个关于如何使用SAX XSLT+SAX+Java转换XML（XHTML）的tuto。

最后，如果您没有XML有效的HTML，请查看使用stream（和PushBackReader）的Java: Replace Strings in Streams, Arrays, Files etc.。

HTH

Answer 2

1）如果html是正确的xml，那么你可以创建它的文档对象并删除节点。

2）如果它不合适xml则将整个html读成字符串＆amp;并使用replace函数删除“html”sunbstring。

如果HTMl不是正确的xml，那么正则表达式是在字符串中替换的最快方法。

Answer 3

似乎java regexp是最快的解决方案。但是，它会降低之后获得的文本的质量。