如何使用Jsoup和/或正则表达式Java从URL删除html标签

问题描述

我需要使用Java中的Jsoup和/或正则表达式从网址中删除HTML标签。 到目前为止，我已经尝试了一些方法，使用javax.swing.text.html.HTMLEditorKit甚至Jsoup，但是我不能交换导入的java.io.FileReader。 导入java.io.InputStreamReader; 导入java.net.URL; 并使其成功运行。

我还可以做些什么？

这是我尝试过的代码**

import java.io.BufferedReader;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.InputStreamReader;
import java.net.URL;
import java.io.IOException;
import java.io.FileReader;
import java.io.Reader;
import org.jsoup.Jsoup;

public class WebTest {
  private WebTest() {}

  public static String extractText(Reader reader) throws IOException {
    StringBuilder sb = new StringBuilder();
    BufferedReader br = new BufferedReader(reader);
    String line;
    while ((line = br.readLine()) != null) {
      sb.append(line);
    }
    String textOnly = Jsoup.parse(sb.toString()).text();
    return textOnly;
  }




public static void main(String[] args) throws Exception {



  String filename = "/Users//Desktop/file4.csv";
  String urltodownload = "http://www.amazon.com";



  URL url = new URL(urltodownload);

  BufferedReader br = new BufferedReader(new InputStreamReader(url.openStream()));

  BufferedWriter bw = new BufferedWriter(new FileWriter(new File(filename)));

  String document = "";

  while (br.ready()) {

    String line = br.readLine();
    document += line + "\n";
    System.out.println( line );
  }  bw.close();

        String file = "/Users/Desktop/file4.csv";
        FileReader reader = new FileReader(file);
        System.out.println(WebTest.extractText(reader));
      }


}

好的，谢谢大家的贡献。 我所做的似乎解决了我的问题，这就是这个。 添加Jsoup.parse(String).text(); 到String line = br.readLine()的打印命令，例如System.out.println( Jsoup.parse(line).text()); 然后这段代码将HTML标记删除。 当然，首先您必须声明方法public static String htmlremoved(String html) { return Jsoup.parse(html).text(); } public static String htmlremoved(String html) { return Jsoup.parse(html).text(); } 。 您还可以添加Jsoup.parse(String).text(); 代码到bw.write 。