去除文本中的html代码

梦里梦外; 2022-05-25 20:46 350阅读 0赞

有一些网站中存在不能复制的文本，这种时候就只能用F12开发者工具来复制源代码，源代码中总是存在着html标签，自己很难去掉，所以我写了这个代码，跟大家一起交流

import java.util.regex.Matcher; 
    import java.util.regex.Pattern; 
    
    public class HTMLSpirit{ 
        public static String delHTMLTag(String htmlStr){ 
            String regEx_script="<script[^>]*?>[\\s\\S]*?<\\/script>"; //定义script的正则表达式 
            String regEx_style="<style[^>]*?>[\\s\\S]*?<\\/style>"; //定义style的正则表达式 
            String regEx_html="<[^>]+>"; //定义HTML标签的正则表达式 
             
            Pattern p_script=Pattern.compile(regEx_script,Pattern.CASE_INSENSITIVE); 
            Matcher m_script=p_script.matcher(htmlStr); 
            htmlStr=m_script.replaceAll(""); //过滤script标签 
             
            Pattern p_style=Pattern.compile(regEx_style,Pattern.CASE_INSENSITIVE); 
            Matcher m_style=p_style.matcher(htmlStr); 
            htmlStr=m_style.replaceAll(""); //过滤style标签 
             
            Pattern p_html=Pattern.compile(regEx_html,Pattern.CASE_INSENSITIVE); 
            Matcher m_html=p_html.matcher(htmlStr); 
            htmlStr=m_html.replaceAll(""); //过滤html标签 
    
            return htmlStr.trim(); //返回文本字符串 
        }
        /** 
        * 去掉字符串里面的html代码。<br> 
        * @param content 
        * 内容 
        * @return 去掉后的内容 
        */ 
        public static String stripHtml(String content) { 
        // <p>段落替换为换行 
        content = content.replaceAll("<p .*?>", "\r\n"); 
        // <br><br/>替换为换行 
        content = content.replaceAll("<br\\s*/?>", "\r\n"); 
        // 去掉其它的<>之间的东西 
        content = content.replaceAll("\\<.*?>", ""); 
        // 还原HTML 
        // content = HTMLDecoder.decode(content); 
        return content; 
        }
    }

上面这段代码是我参考网上的代码写的，用来去掉文本中的HTML标签，传入的是字符串，然后我又写了一个测试类用io流来读取文件，输出文件

import java.io.BufferedReader;
    import java.io.BufferedWriter;
    import java.io.File;
    import java.io.FileNotFoundException;
    import java.io.FileReader;
    import java.io.FileWriter;
    import java.io.IOException;
    import java.util.Scanner;
    
    
    public class Test {
    
    	/**
    	 * @param args
    	 */
    	public static void main(String[] args) {
    		// TODO Auto-generated method stub
    		 try {  
    	            File file = new File("E:\\text.txt");  
    	            // 读取文件，并且以utf-8的形式写出去  
    	            BufferedReader bufread;  
    	            String read;  
    	            bufread = new BufferedReader(new FileReader(file));  
    	            while ((read = bufread.readLine()) != null) {  
    	                System.out.println(read);
    	            	HTMLSpirit html = new HTMLSpirit();
    	        		//换行
    	        		read=html.delHTMLTag(read);
    	        		//去html标签
    	        		read=html.stripHtml(read);
    	        		 //创建一个FileWriter对象
    	        			FileWriter fw = new FileWriter("D:\\1.txt",true);
    	        			BufferedWriter bufw=new BufferedWriter(fw);
    	        			//调用write的方法将字符串写到流中  
    	        			bufw.write(read);  
    	        			bufw.flush();    
    	        			bufw.close();  
    	        			fw.close();
    	        	        System.out.println("输出完毕！输出路径为：D:\\1.txt");
    	            }  
    	            bufread.close();  
    	        } catch (FileNotFoundException ex) {  
    	            ex.printStackTrace();  
    	        } catch (IOException ex) {  
    	            ex.printStackTrace();  
    	        }  
    	    }  
      
    }

这段代码读取的是E盘下test.txt文件，输出到D盘1.txt文件，这些都可以更换！