cómo convertir texto HTML a texto sin formato?

Question

amigo Tengo que analizar la descripción de la url, donde el contenido analizado tiene pocas etiquetas html, así que ¿cómo puedo convertirlo a texto sin formato.

Answer 1

Utilizar un analizador de HTML como htmlCleaner

Por respuesta detallada: How to remove HTML tag in Java

Answer 2

lo recomiendo analizar el HTML puro a través jTidy que debería darle salida que se puede escribir expresiones XPath. Esta es la forma más robusta que he encontrado de raspar HTML.

Answer 3

Sólo deshacerse de las etiquetas HTML es simple:

// replace all occurrences of one or more HTML tags with optional 
// whitespace inbetween with a single space character 
String strippedText = htmlText.replaceAll("(?s)<[^>]*>(\\s*<[^>]*>)*", " "); 

Pero, por desgracia los requisitos no son tan simples:

Por lo general, <p> y <div> elementos necesitan un manejo separado, puede haber bloques CDATA con > caracteres (p. Ej., Javascript) que estropean la expresión regular, etc.

Answer 4

Puede utilizar esta única línea para eliminar las etiquetas html y mostrarla como texto sin formato.

htmlString=htmlString.replaceAll("\\<.*?\\>", ""); 

Answer 5

Si desea analizar como en la pantalla del navegador, utilice:

import net.htmlparser.jericho.*; 
import java.util.*; 
import java.io.*; 
import java.net.*; 

public class RenderToText { 
    public static void main(String[] args) throws Exception { 
     String sourceUrlString="data/test.html"; 
     if (args.length==0) 
      System.err.println("Using default argument of \""+sourceUrlString+'"'); 
     else 
      sourceUrlString=args[0]; 
     if (sourceUrlString.indexOf(':')==-1) sourceUrlString="file:"+sourceUrlString; 
     Source source=new Source(new URL(sourceUrlString)); 
     String renderedText=source.getRenderer().toString(); 
     System.out.println("\nSimple rendering of the HTML document:\n"); 
     System.out.println(renderedText); 
    } 
} 

espero que esto ayudará a analizar tabla también en el formato de navegador.

Gracias, Ganesh