終于搞懂如何用Java去除HTML標簽了

我平時的工作中，偶爾會用 Java 做一些解析HTML的工作。有的時候我需要刪除所有的HTML標簽，只保留純文字內容。這個問題在做過一些爬蟲工作的朋友來說很簡單。下面來說說，我們平時使用到的集中解析的方法。

使用正則表達式

通過爬蟲爬到的HTML內容，從程序角度來講，就是一個字符串。我們可以對其按照純文本處理的方式來處理。

我們在做文本處理的時候，第一個想到的就是正則表達式。從一個字符串中刪除HTML，對于正則來說，還是比較簡單的。畢竟還是有固定的格式，比如“<...>”。

我們常用的的正則就是 <[^>]> 或者 <.*?> 。

我們在使用正則的時候，需要注意的是正則默認是貪婪匹配。也就是說，正則表達式<.*> 能夠匹配到更多的HTML內容，而不是單個標簽。

現在，讓我們測試一下它是否能從HTML源中刪除標簽。

正則測試刪除標簽1

在我們測試刪除HTML標簽之前，首先讓我們創建一個HTML例子，例如example1.html。

<!DOCTYPE html>
<html>
<head>
    <title>這是標題</title>
</head>
<body>
    <p>
        如果應用程序X沒有啟動，可能的原因是<br/>
        1. <a href="https://maven.apache.org">Maven</a>沒有安裝<br/>
        2. 磁盤空間不足<br/>
        3. 內存不足
    </p>
</body>
</html>

現在，讓我們寫一個測試，用String.replaceAll()來刪除HTML標簽。

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

如果我們運行這個測試方法，我們會看到結果。

    這是標題



        如果應用程序X沒有啟動，可能的原因是
        1.Maven沒有安裝
        2.磁盤空間不足
        3.沒有足夠的內存

輸出結果保留了剝離后的HTML的空白處。我們在處理提取的文本時，可以很容易地刪除或跳過這些空行或空白處。

正則測試刪除標簽2

我們剛才已經看到了，通過使用Regex來刪除HTML標簽是非常簡單。但是粗暴的使用這種方法會有很多問題，我們不能預測最終的結果會是怎么樣的。

例如，一個HTML文檔可能有<script>或<style>標簽，而我們可能不希望在結果中出現它們的內容。

此外，<script>、<style>、甚至是<body>標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出錯。

現在，讓我們看看另一個例子，比如example2.html。

<!DOCTYPE HTML>
<html>
<head>
    <title>這是標題</title>
</head>
<script>
    // some js function
</script>
<body>
    <p>
        如果應用程序X沒有啟動，可能的原因是<br/>
        1. <a
            id="link"
            href="http://maven.apache.org/">
            Maven
            </a> 沒有安裝<br/>
        2. 磁盤空間不足 (<1G) <br/>
        3. 內存不足(<64MB)<br/>
    </p>
</body>
</html>

現在我們有一個<script>標簽和 <字符在<body>標簽內。

如果我們對example2.html使用同樣的方法，我們會得到如下內容。

   這是標題
    // some js function
        如果應用程序X沒有啟動，可能的原因是
        1. 
            Maven
             沒有安裝
        2. 磁盤空間不足 (
        3. 內存不足(

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雜的場景。

使用Jsoup

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

在項目中使用的時候，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來測試一下。

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

如果我們讓這個方法運行，它就會打印出來。

這是標題 如果應用程序X沒有啟動，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）內存

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

此外，默認情況下，Jsoup會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>

我們可以設置[各種參數]（http://htmlcleaner.sourceforge.net/parameters.php）來控制HTMLCleaner的解析行為。我們在這里使用HTMLCleaner在解析example2.html時跳過<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);

運行一下，HTMLCleaner將產生這樣的輸出。

這是標題



        如果應用程序X沒有啟動，可能的原因是：
        1.Maven沒有安裝
        2.沒有足夠的（<1G）磁盤空間
        3.內存不足（<64MB）

我們可以看到，<script>元素中的內容被忽略了， <br/>標簽轉換為提取的文本中的換行符。另外， HTMLCleaner 保留了HTML的空白內容。

總結

在這篇文章中，我們學習了幾種去除HTML的方法，我們需要注意的是，正則在文本處理的過程中并不是萬能的。

過上一章的內容，現在網頁文件中，我們還須要去除的就是html代碼了。

下面我們要研究一下html代碼的主要特點，不管什么樣的HTML代碼，他們均被左右尖括號所包圍，就像這個樣子<代碼>，因此，我們就有了去除的方法，把括號中的內容和聯通括號一起去除掉，就可以了。

下面開始，根據我們的想法，可以寫出，下面這樣的主程序

看上圖，再上一張定義的函數，我們把它移動到了通用函數庫中

第21行，這是我們新增的代碼，執行完這個代碼，就去除掉了HTML標記，剩下的就應該是純文字內容了。在這里，我們定義了一個函數，名字叫做去除html代碼。

下面我們研究一下，這個函數的內容，如下圖

因為使用了正則表達式，因此，在程序運行前，必須導入模塊re

第3行，導入我們所需要的re模塊，我們想用到正則表達式

第5行，定義函數

第6行，用右尖括號分格隔成列表

第8行，對列表元素進行遍歷

第9行，使用正則挑出有效的內容，其實就是去除以前孤立的右尖括號的內容。

第10行，對有效的內容進行左尖括號分隔

第11行，左尖括號前面的內容就是有效的文字內容

完整的程序如下

下面我們對程序進行下測試，在上一章中，程序運行后得到如下的內容（內容太長，只截取一小部分）

本次程序改造后，運行得到下面的內容

從上面兩個圖片可以看出，我們確實把文字內容提取出來了。

端網頁的開發中總是不可避免會使用到超鏈接，但是使用超鏈接時下面都會有一條下劃線，這在網頁中有時會顯得很突兀，不合適也不美觀，所以我們就需要將超鏈接下的這條下劃線給去掉.接下來給大家介紹Html下超鏈接去掉下劃線的方法

您可以使用CSS的text-decoration屬性來去掉超鏈接下劃線。只需將其設置為none即可，示例代碼如下:

text-decoration: none;

}

這會將頁面中所有超錐接下劃線都去，如果您只想去掉某些超鏈接的下劃線，可以為這些鏈接添加一個特定的class，并針對該CIass設置上述CSS屬性。

例子：

<!DOCTYPE html>

<html>

<head>

<title>css超鏈接去掉下劃線示例</title>

<style>

text-decoration: none;

}

</style>

</head>

<body>

<a href="">大家再看我還有沒有下劃線了！</a>

</body>

</html>

可以發現，此時文本超鏈接下劃線是不是已經去掉了？這個效果實現是不是非常簡單呢？大家主要掌握一個樣式屬性就是text-decoration: none;這個屬性。給對應的a標簽文本添加這個屬性就可以去除文本超鏈接下劃線了。

擴展資料：

HTML 超鏈接(鏈接)的屬性：

超鏈接可以是一個字，一個詞，或者一組詞，也可以是一幅圖像，您可以點擊這些內容來跳轉到新的文檔或者當前文檔中的某個部分。

當您把鼠標指針移動到網頁中的某個鏈接上時，箭頭會變為一只小手。

我們通過使用標簽在 HTML 中創建鏈接。

有兩種使用標簽的方式：

1、通過使用 href 屬性 - 創建指向另一個文檔的鏈接；

2、通過使用 name 屬性 - 創建文檔內的書簽。

在線咨詢

上一篇：50+款手機端H5框架炸裂推薦（上）
下一篇：使用低代碼工具配置生成一個應用

您的項目需求

*請認真填寫需求信息，我們會在24小時內與您取得聯系。

整合營銷服務商