java - 从 html 中提取文本：寻找一个好的类似 sax 的解析器或使用 dom 解析器的建议

Question

我有一个这样格式化的 html 文档：

<p>
 some plain text <em>some emphatized text</em>, <strong> some strong text</strong>
</p>
<p>
 just some plain text
</p>
<p>
  <strong>strong text </p> followed by plain, <a>with a link at the end!</a>
</p>

我想提取文本。使用类似解析器的dom，我可以提取每个段落

，但问题在里面：我也必须从内部标签中提取文本，并得到一个具有相同顺序的结果字符串，在上面的示例中，第一段，我想提取：

some plain text some emphatized text, some strong text

出于这个目的，我猜像 sax 这样的解析器会比 dom 更好，因为我不知道内部标签编号 o 序列：一个段落可以有零个或多个不同类型的内部标签。

Answer 1

您可以使用 dom 解析器，将 p 标签（包括子 html 元素）内的文本放入字符串变量中，并使用其他一些功能从结果字符串中去除所有 html 标签。这应该让您拥有 p 标签之间的所有内容，而没有任何子元素标签。

例子

<p>
    some plain text <em>some emphatized text</em>, <strong> some strong text</strong>
</p>
<p>
    just some plain text
</p>
<p>
    <strong>strong text </p> followed by plain, <a>with a link at the end!</a>
</p>

使用一些 dom 解析器将 p 标记提取为字符串，然后您将拥有如下字符串：

String content = "some plain text <em>some emphatized text</em>, <strong> some strong text</strong>";
content = stripHtmlTags( content );
println( content ); // some plain text some emphatized text, some strong text

Answer 2

String extractText=Html.fromHtml(Your HTML String).toString()

这给了你提取的文本。希望这对你有帮助。

Answer 3

Add code to read CDATA by DOM pase
**childNode.getNodeType() == Node.CDATA_SECTION_NODE**

if Using XMLUtils modify like

public static String getNodeValue(Node node) {
        node.normalize();
        String response = node.getNodeValue();
        if (response != null) {
            return response;
        } else {
            NodeList list = node.getChildNodes();
            int size = list == null ? 0 : list.getLength();
            for (int j = 0; j < size; j++) {
                Node childNode = list.item(j);
                if (childNode.getNodeType() == Node.TEXT_NODE
                        || childNode.getNodeType() == Node.CDATA_SECTION_NODE) {
                    response = childNode.getNodeValue();
                    return response;
                }
            }
        }
        return "";
    }