Html 2文本 - 刪除「隱藏」文本

Question

我目前正在尋找方法來閱讀網站的可見文本並將其存儲到使用Java的純文本字符串中。

換句話說，我想的東西轉換是這樣的：

Hello <span style="display: none">stupid</span> World爲 「Hello World」 的

或類似

<span>Un</span>friendly爲 「不友好」（而不是像「聯合國友好「）

或

Hello 

World 

插入到「Hello World」中（因爲HTML中忽略了新行）

你知道任何可以協助完成此任務的lib嗎？

乾杯，

馬蒂亞斯

Answer 1

Boilerpipe是用Java編寫的HTML清潔庫。

Answer 2

查看Cobra以查看API是否提供了任何方法來呈現HTML並將其轉換爲純文本。