快捷導(dǎo)航

詳解如何用Java去除HTML標(biāo)簽

更新時(shí)間：2022年12月02日 10:31:44 作者：指北君

在平時(shí)工作中，偶爾會(huì)用 Java 做一些解析HTML的工作。有時(shí)需要?jiǎng)h除所有的HTML標(biāo)簽，只保留純文字內(nèi)容。這個(gè)問題在做過一些爬蟲工作的朋友來說很簡(jiǎn)單。下面來說說，我們平時(shí)使用到的集中解析的方法

在我平時(shí)的工作中，偶爾會(huì)用 Java 做一些解析HTML的工作。有的時(shí)候我需要?jiǎng)h除所有的HTML標(biāo)簽，只保留純文字內(nèi)容。這個(gè)問題在做過一些爬蟲工作的朋友來說很簡(jiǎn)單。下面來說說，我們平時(shí)使用到的集中解析的方法。

使用正則表達(dá)式

通過爬蟲爬到的HTML內(nèi)容，從程序角度來講，就是一個(gè)字符串。我們可以對(duì)其按照純文本處理的方式來處理。

我們?cè)谧鑫谋咎幚淼臅r(shí)候，第一個(gè)想到的就是正則表達(dá)式。從一個(gè)字符串中刪除HTML，對(duì)于正則來說，還是比較簡(jiǎn)單的。畢竟還是有固定的格式，比如“<...>”。

我們常用的的正則就是 <[^>]> 或者 <.*?> 。

我們?cè)谑褂谜齽t的時(shí)候，需要注意的是正則默認(rèn)是貪婪匹配。也就是說，正則表達(dá)式 <.*> 能夠匹配到更多的HTML內(nèi)容，而不是單個(gè)標(biāo)簽。

現(xiàn)在，讓我們測(cè)試一下它是否能從HTML源中刪除標(biāo)簽。

正則測(cè)試刪除標(biāo)簽1

在我們測(cè)試刪除HTML標(biāo)簽之前，首先讓我們創(chuàng)建一個(gè)HTML例子，例如example1.html。

<!DOCTYPE?html>
<html>
<head>
????<title>這是標(biāo)題</title>
</head>
<body>
????<p>
????????如果應(yīng)用程序X沒有啟動(dòng)，可能的原因是<br/>
????????1.?<a? rel="external nofollow" >Maven</a>沒有安裝<br/>
????????2.?磁盤空間不足<br/>
????????3.?內(nèi)存不足
????</p>
</body>
</html>

現(xiàn)在，讓我們寫一個(gè)測(cè)試，用String.replaceAll()來刪除HTML標(biāo)簽。

String?html?=?...?//?load?example1.html
String?result?=?html.replaceAll("<[^>]`>",?"");
System.out.println(result);

如果我們運(yùn)行這個(gè)測(cè)試方法，我們會(huì)看到結(jié)果。

這是標(biāo)題

如果應(yīng)用程序X沒有啟動(dòng)，可能的原因是
1.Maven沒有安裝
2.磁盤空間不足
3.沒有足夠的內(nèi)存

輸出結(jié)果保留了剝離后的HTML的空白處。我們?cè)谔幚硖崛〉奈谋緯r(shí)，可以很容易地刪除或跳過這些空行或空白處。

正則測(cè)試刪除標(biāo)簽2

我們剛才已經(jīng)看到了，通過使用Regex來刪除HTML標(biāo)簽是非常簡(jiǎn)單。但是粗暴的使用這種方法會(huì)有很多問題，我們不能預(yù)測(cè)最終的結(jié)果會(huì)是怎么樣的。

例如，一個(gè)HTML文檔可能有<script>或<style>標(biāo)簽，而我們可能不希望在結(jié)果中出現(xiàn)它們的內(nèi)容。

此外，<script>、<style>、甚至是<body>標(biāo)簽中的文本可能包含 <或 >字符。如果是這種情況，我們的正則方法可能會(huì)出錯(cuò)。

現(xiàn)在，讓我們看看另一個(gè)例子，比如example2.html。

<!DOCTYPE?HTML>
<html>
<head>
????<title>這是標(biāo)題</title>
</head>
<script>
????//?some?js?function
</script>
<body>
????<p>
????????如果應(yīng)用程序X沒有啟動(dòng)，可能的原因是<br/>
????????1.?<a
????????????id="link"
???????????? rel="external nofollow" >
????????????Maven
????????????</a>?沒有安裝<br/>
????????2.?磁盤空間不足?(<1G)?<br/>
????????3.?內(nèi)存不足(<64MB)<br/>
????</p>
</body>
</html>

現(xiàn)在我們有一個(gè)<script>標(biāo)簽和 <字符在<body>標(biāo)簽內(nèi)。

如果我們對(duì)example2.html使用同樣的方法，我們會(huì)得到如下內(nèi)容。

   這是標(biāo)題
    // some js function
        如果應(yīng)用程序X沒有啟動(dòng)，可能的原因是
        1.
            Maven
             沒有安裝
        2. 磁盤空間不足 (
        3. 內(nèi)存不足(

顯然，由于"<"字符的存在，我們丟失了一些文本。所以正則在處理文本的時(shí)候并不是萬能的。我們可以使用一些 HTML 解析器來做這些比較復(fù)雜的場(chǎng)景。

使用Jsoup

Jsoup 是一個(gè)流行的HTML解析庫，如果想要從一個(gè)HTML文檔中提取文本，我們可以簡(jiǎn)單地調(diào)用Jsoup.parse(htmlString).text()。

在項(xiàng)目中使用的時(shí)候，我們首先需要添加 jsoup 的依賴庫，我們這里就通過maven的方式引入。

<dependency>
????<groupId>org.jsoup</groupId>
????<artifactId>jsoup</artifactId>
????<version>1.14.3</version>
</dependency>

我們用 example2.html來測(cè)試一下。

String?html?=?...?//?load?example2.html
System.out.println(Jsoup.parse(html).text());

如果我們讓這個(gè)方法運(yùn)行，它就會(huì)打印出來。

這是標(biāo)題如果應(yīng)用程序X沒有啟動(dòng)，可能的原因是 1.Maven沒有安裝 2.沒有足夠的（<1G）磁盤空間 3.沒有足夠的（<64MB）內(nèi)存

從輸出結(jié)果可知，Jsoup已經(jīng)成功地從HTML文檔中提取了文本。另外，<script>元素中的文本已經(jīng)被忽略了。

此外，默認(rèn)情況下，Jsoup會(huì)刪除所有的文本格式和空白處，比如換行符。

使用HTMLCleaner

HTMLCleaner 也是一個(gè)HTML解析庫。

首先，我們需要在pom.xml中添加HTMLCleaner 依賴。

<dependency>
????<groupId>net.sourceforge.htmlcleaner</groupId>
????<artifactId>htmlcleaner</artifactId>
????<version>2.25</version>
</dependency>

我們可以設(shè)置[各種參數(shù)]（http://htmlcleaner.sourceforge.net/parameters.php）來控制HTMLCleaner的解析行為。我們?cè)谶@里使用HTMLCleaner在解析example2.html時(shí)跳過<script>元素。

String?html?=?...?//?load?example2.html
CleanerProperties?props?=?new?CleanerProperties();
props.setPruneTags("script");
String?result?=?new?HtmlCleaner(props).clean(html).getText().toString();
System.out.println(result);

運(yùn)行一下，HTMLCleaner將產(chǎn)生這樣的輸出。