用于HTML到文本转换的开源java库
用于HTML到文本转换的开源java库
提问于 2009-10-05 07:29:09
你能推荐一个开源的Java库(最好是ASL/BSD/LGPL许可证)，它可以将HTML转换为纯文本-清理所有标签，转换实体(&，*，等等)以及正确的句柄和表格。
更多信息
我有一个字符串形式的HTML，没有必要从web上获取它。另外，我正在寻找的是这样的方法：
String convertHtmlToPlainText(String html)回答 5
Stack Overflow用户
回答已采纳
发布于 2009-10-05 12:14:16
试试Jericho。
TextExtractor类听起来可以做您想要做的事情。对不起，我不能发布第二个链接，因为我是一个新用户，但是向下滚动一下主页，就会有一个链接。
Stack Overflow用户
发布于 2009-10-05 07:37:12
HtmlUnit，它甚至显示了处理JavaScript / Ajax之后的页面。
Stack Overflow用户
发布于 2016-04-03 15:21:43
bliki引擎可以在两个步骤中做到这一点。请参阅info.bliki.wiki / Home
- 如何将HTML转换为Mediawiki文本-- nediawiki文本已经是一种相当普通的文本格式，但您可以进一步转换它
- 如何将Mediawiki文本转换为纯文本--您的目标。
它将有7-8行代码，如下所示：
// html to wiki
import info.bliki.html.HTML2WikiConverter;
import info.bliki.html.wikipedia.ToWikipedia;
// wiki to plain text
import info.bliki.wiki.filter.PlainTextConverter;
import info.bliki.wiki.model.WikiModel;
...
String sbodyhtml = readFile( infilepath ); //get content as string
HTML2WikiConverter conv = new HTML2WikiConverter();
conv.setInputHTML( sbodyhtml );
String resultwiki = conv.toWiki(new ToWikipedia());
WikiModel wikiModel = new WikiModel("${image}", "${title}");
String plainStr = wikiModel.render(new PlainTextConverter(false), resultwiki );
System.out.println( plainStr );Jsoup可以更简单地做到这一点：
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
...
Document doc = Jsoup.parse(sbodyhtml);
String plainStr = doc.body().text();但是在结果中，你失去了所有的段落格式--没有任何换行符。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/1518675
复制相关文章
相似问题
腾讯云开发者
