java - 如何读取和操作从 Microsoft Word 导出的 HTML 文档？

Question

我有一个保存为 .htm 网页的 Microsoft Word Doc。下面是我的代码。我的问题是如何从文档中获取文本，并将其附加到字符串中。我注意到该段落设置为标签<p class=MsoNormal>，因此有任何建议。我要附加的字符串是 documentText

    String documentText = "";
    FileInputStream fileInput = null;
    BufferedInputStream myBuffer = null;
    DataInputStream dataInput = null;
    fileInput = new FileInputStream(selectedFile);
    myBuffer = new BufferedInputStream(fileInput);
    dataInput = new DataInputStream(myBuffer);
    while (dataInput.available() != 0){
        System.out.println(dataInput.readLine());
    }

Answer 1

使用 HTML Parser 库，例如HTML Parser。

Answer 2

看看诸如HTML Parser和Jericho HTML Parser之类的库，或者使用这个答案中建议的原生HTMLEditorKit.Parser + HTMLEditorKit.ParserCallback方法。