用于 HTML 到文本转换的开源 Java 库
声明：本页面是StackOverFlow热门问题的中英对照翻译，遵循CC BY-SA 4.0协议，如果您需要使用它，必须同样遵循CC BY-SA许可，注明原文地址和作者信息，同时你必须将它归于原作者（不是我）：StackOverFlow
原文地址: http://stackoverflow.com/questions/1518675/
Warning: these are provided under cc-by-sa 4.0 license. You are free to use/share it, But you must attribute it to the original authors (not me):
StackOverFlow
Open source java library for HTML to text conversion
提问by David Rabinowitz
Can you recommend an open source Java library (preferably ASL/BSD/LGPL license) that converts HTML to plaintext - cleans all the tags, converts entities (&, , etc.) and handles <br> and tables properly.
您能否推荐一个将 HTML 转换为纯文本的开源 Java 库（最好是 ASL/BSD/LGPL 许可）- 清除所有标签，转换实体（&、等）并正确处理 <br> 和表格。
More Info
更多信息
I have the HTML as a string, there's no need to fetch it from the web. Also, what I'm looking is for a method like this:
我将 HTML 作为字符串，无需从网络上获取它。另外，我正在寻找这样的方法：
String convertHtmlToPlainText(String html)
采纳答案by Chris R
Try Jericho.
试试杰里科。
The TextExtractorclass sounds like it will do what you want. Sorry can't post a 2nd link as I'm a new user but scroll down the homepage a bit and there's a link to it.
该TextExtractor类听起来像它会做你想要什么。抱歉，我是新用户，无法发布第二个链接，但稍微向下滚动主页，就会有一个链接。
回答by Ahmed Ashour
回答by Pkunk
The blikiengine can do this, in two steps. See info.bliki.wiki / Home
该bliki引擎能做到这一点，在两个步骤。见info.bliki.wiki / 主页
- How to convert HTML to Mediawiki text -- nediawiki text is already a rather plain text format, but you can convert it further
- How to convert Mediawiki text to plain text -- your goal.
- 如何将 HTML 转换为 Mediawiki 文本 -- nediawiki 文本已经是一种相当纯文本格式，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。
It will be some 7-8 lines of code, like this:
这将是一些 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 can do this simpler:
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();
but in the result you lose all paragraph formatting -- there will be no any newlines.
但结果你失去了所有的段落格式——不会有任何换行符。
回答by Rich Seller
I use TagSoup, it is available for several languages and does a really good job with HTML found "in the wild". It produces either a cleaned up version of the HTML or XML, that you can then process with some DOM/SAX parser.
我使用TagSoup，它可用于多种语言，并且在“野外”发现的 HTML 方面做得非常好。它生成 HTML 或 XML 的清理版本，然后您可以使用一些 DOM/SAX 解析器进行处理。
回答by firefly2442
I've used Apache Commons Langto go the other way. But it looks like it can do what you need via StringEscapeUtils.
我已经使用Apache Commons Lang走了另一条路。但看起来它可以通过StringEscapeUtils做你需要的事情。
