用于HTML到文本转换的开源Java库

尝试 Jericho .

这个 TextExtractor 听上去这门课会满足你的要求。很抱歉,由于我是新用户,无法发布第二个链接,但向下滚动一点主页,就会有一个链接指向它。

HtmlUnit 它甚至在处理完javascript/ajax之后显示页面。

这个 bliki 发动机可以分两步完成此操作。见 info.bliki.wiki / Home

1. 如何将HTML转换为Mediawiki文本——Nediawiki文本已经是一种相当简单的文本格式,但您可以进一步转换它
2. 如何将Mediawiki文本转换为纯文本——您的目标。

它将是大约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可以做得更简单:

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
...
Document doc = Jsoup.parse(sbodyhtml);
String plainStr = doc.body().text();

但结果是您会丢失所有段落格式——不会有任何新行。

我用 TagSoup 它可用于多种语言,并对“在野外”找到的HTML做得非常好。它生成一个清理过的HTML或XML版本,然后您可以使用一些DOM/SAX解析器进行处理。

我已经用过 Apache Commons Lang 换个方向。但看起来它可以通过 StringEscapeUtils .