
## 一、引言

在 Java 开发中，从 HTML 文件中剔除标签、样式、脚本等冗余信息、提取核心纯文本，是数据清洗、全文索引、AI 训练数据准备等场景下的高频需求。面对嵌套复杂的 HTML 标签，使用正则表达式处理不仅容易出错，维护成本也相当高。因此，借助成熟的解析库是更可靠的选择。

本文详细介绍如何使用 **Free Spire.Doc for Java** 这一免费库来实现 HTML 文本提取。

---

## 二、实现原理

Free Spire.Doc for Java 本身是围绕 Word 文档的段落、节、表格等元素设计的文档处理库。当调用 `loadFromFile` 方法并指定 `FileFormat.Html` 时，库内部会将 HTML 标签、样式和文本**映射到自己的文档对象模型**中。随后调用 `getText()` 方法，库会遍历整个文档树，将所有**可见文本节点**的内容拼接并返回，同时自动过滤掉HTML标签以及 `<script>`、`<style>` 等标签内的内容。

这种方式本质上是一种 **“将 HTML 解析为富文本再提取纯文本”的桥接方案**，开发者无需手动编写解析逻辑。

---

## 三、环境准备

### 3.1 Maven 配置

在项目的 `pom.xml` 中添加仓库地址与依赖坐标：

```xml
<repositories>
    <repository>
        <id>com.e-iceblue</id>
        <name>e-iceblue</name>
        <url>https://repo.e-iceblue.com/nexus/content/groups/public/</url>
    </repository>
</repositories>

<dependencies>
    <dependency>
        <groupId>e-iceblue</groupId>
        <artifactId>spire.doc.free</artifactId>
        <version>14.3.1</version>
    </dependency>
</dependencies>
```

> **注意**：`spire.doc.free` 为免费版，对于基础的文本提取需求，免费版已足够。

### 3.2 Gradle 配置

```gradle
implementation 'e-iceblue:spire.doc.free:14.3.1@jar'
```

---

## 四、基础实现：从 HTML 文件提取文本

### 4.1 完整示例代码

```java
import com.spire.doc.Document;
import com.spire.doc.FileFormat;
import java.io.FileWriter;
import java.io.IOException;

public class ExtractTextFromHTML {
    public static void main(String[] args) {
        // 1. 创建 Document 对象（核心入口）
        Document doc = new Document();
        
        // 2. 加载 HTML 文件（指定格式为 Html）
        doc.loadFromFile("Sample.html", FileFormat.Html);
        
        // 3. 获取提取的纯文本
        String text = doc.getText();
        
        // 4. 将文本写入输出文件（使用 try-with-resources 确保资源安全释放）
        try (FileWriter fileWriter = new FileWriter("HTMLText.txt")) {
            fileWriter.write(text);
            System.out.println("文本提取完成，已保存至 HTMLText.txt");
        } catch (IOException e) {
            System.err.println("写入文件失败：" + e.getMessage());
        }
    }
}
```

### 4.2 代码解析
1. `loadFromFile` 方法接收两个参数：文件路径和文件格式。`FileFormat.Html` 告诉库按HTML方式解析输入
2. `getText()` 返回文档中所有文本内容的字符串，HTML 标签被完全剥离，换行符和空格按内部规则保留

---

## 五、进阶用法：从 URL 提取文本

如果需要从网络上的 HTML 页面提取文本，可以先通过 HTTP 请求获取 HTML 内容并保存为临时文件，再执行提取。

```java
import com.spire.doc.Document;
import com.spire.doc.FileFormat;
import java.io.*;
import java.net.URL;
import java.net.URLConnection;

public class ExtractTextFromURL {
    public static void main(String[] args) throws IOException {
        // 1. 从URL读取HTML并保存为临时文件
        String htmlFilePath = downloadHtmlFromUrl("https://example.com/article");
        
        // 2. 创建Document对象并加载HTML文件
        Document doc = new Document();
        doc.loadFromFile(htmlFilePath, FileFormat.Html);
        
        // 3. 提取文本
        String text = doc.getText();
        
        // 4. 保存结果
        try (FileWriter writer = new FileWriter("URLText.txt")) {
            writer.write(text);
            System.out.println("从URL提取文本完成");
        }
    }
    
    /**
     * 从指定URL下载HTML内容并保存为本地临时文件
     * @param urlString 目标URL
     * @return 临时文件的路径
     */
    private static String downloadHtmlFromUrl(String urlString) throws IOException {
        URL url = new URL(urlString);
        URLConnection connection = url.openConnection();
        connection.setConnectTimeout(5000);
        connection.setReadTimeout(10000);
        
        String tempFilePath = "temp_page.html";
        try (InputStream inputStream = connection.getInputStream();
             InputStreamReader reader = new InputStreamReader(inputStream, "UTF-8");
             BufferedReader bufferedReader = new BufferedReader(reader);
             FileWriter fileWriter = new FileWriter(tempFilePath)) {
            
            String line;
            while ((line = bufferedReader.readLine()) != null) {
                fileWriter.write(line);
                fileWriter.write(System.lineSeparator());
            }
        }
        return tempFilePath;
    }
}
```

> **注意**：实际生产环境中建议使用 `java.net.http.HttpClient`（JDK 11+）或 Apache HttpClient 等更成熟的 HTTP 客户端库，并妥善处理字符编码、重定向、超时等细节。

---

## 六、从 HTML 字符串提取文本

如果 HTML 内容已经以字符串形式存在于内存中（例如来自数据库或用户输入），也可以直接解析：

```java
import com.spire.doc.Document;
import com.spire.doc.FileFormat;
import java.io.ByteArrayInputStream;

public class ExtractTextFromHtmlString {
    public static void main(String[] args) {
        String htmlContent = "<html><body><h1>标题</h1><p>这是一段正文内容。</p></body></html>";
        
        Document doc = new Document();
        // 将字符串转换为字节输入流加载
        doc.loadFromStream(new ByteArrayInputStream(htmlContent.getBytes()), FileFormat.Html);
        
        String text = doc.getText();
        System.out.println("提取的文本：\n" + text);
    }
}
```

---

## 七、注意事项与局限性

### 7.1 文本布局简化

`getText()` 返回的文本**不保证保留**原始HTML中的表格结构、缩进或列表符号。对于需要保持格式的提取任务（如表格转 CSV），此方法可能不适用。

### 7.2 JavaScript 和 CSS 的处理

库在加载 HTML 时会忽略 `<script>` 和 `<style>` 标签内的内容。实际测试表明，`getText()` 基本只提取可见文本节点，不会输出脚本或样式代码，提取结果较为干净。

### 7.3 免费版功能限制

免费版本适合**轻量级**的 HTML 文本提取需求，例如：
- 网页内容采集与清洗
- 全文索引的数据准备
- 文本分析/自然语言处理的预处理
- 内容归档与存储

### 7.4 字符编码

加载 HTML 文件时，请确保文件的字符编码与内容匹配。如果 HTML 文件包含非 UTF-8 编码的中文等内容，可能需要在使用 `loadFromFile` 之前进行编码转换处理。

---

## 八、方案对比：Free Spire.Doc vs Jsoup

在 Java 生态中，提取 HTML 文本还有另一种主流方案——使用 **Jsoup** 这样的轻量级 HTML 解析器。两者对比如下：

| 对比维度 | Free Spire.Doc for Java | Jsoup |
|----------|-------------------------|-------|
| 设计定位 | 文档处理（Word/HTML 互转） | HTML 解析专用 |
| API 风格 | 文档对象模型（段落、节、表格） | DOM + CSS 选择器（类 jQuery 语法） |
| HTML 容错能力 | 较强 | 很强（业界公认） |
| 文本提取代码量 | 极少（3-4行） | 较少（需选择器定位） |
| 额外功能 | 支持 HTML 转W ord/PDF 等 | 支持 CSS 选择器、XPath、HTTP 客户端 |
| 适用场景 | 需要文档格式转换+文本提取 | 纯 HTML 解析、网页爬虫 |

**选型建议**：
- 如果**只需要提取纯文本**，且希望代码最简洁，Free Spire.Doc 是一个不错的选择
- 如果需要进行**复杂的 HTML 结构解析**（如按 CSS 选择器提取特定元素），Jsoup 更灵活强大
- 如果同时有**HTML 转 Word/PDF**等文档处理需求，Free Spire.Doc 更具优势

---

### 九、小结

使用 Free Spire.Doc for Java 提取 HTML 文本，核心代码仅有寥寥数行——通过 `Document` 对象的 `loadFromFile` 和 `getText` 两个方法即可完成。这种方式避免了手动编写 HTML 解析器的复杂工作，适合快速实现文本提取需求的开发场景。

在实际项目中，建议根据具体需求（如是否需要保留格式、是否需要处理动态网页、是否需要文档格式转换等）综合评估，选择最适合的技术方案。

在 Java 开发中，从 HTML 文件中剔除标签、样式、脚本等冗余信息、提取核心纯文本，是数据清洗、全文索引、AI 训练数据准备等场景下的高频需求。面对嵌套复杂的 HTML 标签，使用正则表达式处理不仅容易出错，维护成本也相当高。因此，借助成熟的解析库是更可靠的选择。

轻量级 Java 工具：快速提取 HTML 中的文本内容

人工智能

使用FreeSpire.DocforJava库通过loadFromFile与getText方法，仅需3-4行代码即可从HTML文件、URL或字符串中高效提取纯净文本，自动过滤标签、脚本与样式。该方案代码简洁、容错性强，免费版已满足日常采集、索引与NLP预处理需求，同时支持HTML转Word等扩展功能。

自然语言处理

数据清洗

文本分析

文档处理

代码解释

数据库

jQuery

Java

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

轻量级 Java 工具：快速提取 HTML 中的文本内容-腾讯云开发者社区-腾讯云

轻量级 Java 工具：快速提取 HTML 中的文本内容

轻量级 Java 工具：快速提取 HTML 中的文本内容

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐