Java把Html格式文本转换成纯文本的问题

爱被打了一巴掌 2022-03-06 08:20 559阅读 0赞

[https://blog.csdn.net/persistencegoing/article/details/84376427][https_blog.csdn.net_persistencegoing_article_details_84376427]

工作上需要把一段html内容转换成纯文本。

最简单的办法，是用正则表达式把全部的标签替换成空字符串，然后把被转义的内容（尖括号，空格等）转回来。这里用到了StringEscapeUtils，来自Apache Commons Lang library (commons-lang3-3.0.1.jar)

str = str.replaceAll("\\\\<.\*?\\\\>","");  
    str = StringEscapeUtils.unescapeHtml(str);  
上面的方法有点儿简单粗暴。

稍微高级点儿的做法，保留换行。代码如下：

public static String toPlainText(final String html)  
    \{  
        if (StringUtils.isEmpty(html))\{  
            return "";  
        \}  
   
        final Document document = Jsoup.parse(html);  
        final OutputSettings outputSettings = new Document.OutputSettings().prettyPrint(false);  
        document.outputSettings(outputSettings);  
        document.select("br").append("\\\\n");  
        document.select("p").prepend("\\\\n");  
        document.select("p").append("\\\\n");  
        final String newHtml = document.html().replaceAll("\\\\\\\\n", "\\n");  
        final String plainText = Jsoup.clean(newHtml, "", Whitelist.none(), outputSettings);  
        final String result = StringEscapeUtils.unescapeHtml(plainText.trim());  
        return result;  
    \}

**希望大家关注我一波,防止以后迷路,有需要的可以加群讨论互相学习java ,学习路线探讨,经验分享与java求职     **

**群号:721 515 304**

[https_blog.csdn.net_persistencegoing_article_details_84376427]: https://blog.csdn.net/persistencegoing/article/details/84376427