如何修剪網頁的HTML以移除標籤並僅在Java中顯示文本內容？

我有一個Java分配來製作一個簡單的GUI Web瀏覽器，它接收URL的主機名和文件路徑，並通過套接字將其發送到Web服務器。然後Web服務器返回網頁的內容。將這些數據轉換爲字符串後，我需要先刪除<body>和</body>標記之外的所有內容，然後刪除這些內容中的所有標記，以僅顯示用戶想要查看的文本內容。我試圖使用string.split方法在<body>和</body>之後進行兩次拆分，但出於某種原因，我得到了一個超出界限的異常。我很推動時間，所以如果有人知道一個簡單的方法來做到這一點，我將不勝感激。如何修剪網頁的HTML以移除標籤並僅在Java中顯示文本內容？

來源

2014-10-20 Kyle

這將有助於，如果我們知道你的GUI網頁瀏覽器是寫在.. – Winter 2014-10-20 04:52:05

哎呀。我很匆忙。 Java – Kyle 2014-10-20 05:01:11

看看這裏：http://stackoverflow.com/a/8282951/2696690 – Winter 2014-10-20 05:05:59

嘗試使用Jsoup library可能對您有幫助。

Example1

Example2

來源

2014-10-20 06:26:32 xrcwrn

不要用分裂/正則表達式的HTML數據。如果你想正確地使用HTML，有幾乎幾乎需要使用的庫。

這種最知名的圖書館之一是JSoup。當您將它集成到你的項目，你可以得到你的元素，例如數據這樣

Document doc = Jsoup.parse(html); //where html is your source 
Element divs = doc.select("div"); 
for(Element div : divs){ 
    System.out.println(div.text()); 
}

有很多自己的頁面上示例和教程。請務必查看their cookbook。

來源

2014-10-20 06:46:26 Dropout

如何修剪網頁的HTML以移除標籤並僅在Java中顯示文本內容？

回答

相關問題