java

关注公众号 jb51net

关闭
首页 > 软件编程 > java > Java提取HTML纯文本内容

Java代码实现从HTML文件中提取纯文本内容

作者：咕白m625

在 Java 数据处理、文本清洗、内容解析等开发场景中,从 HTML 文件中剔除标签、样式、脚本等冗余格式,提取核心纯文本是高频需求,下面我们就来看看如何使用Java实现从HTML文件中提取纯文本内容吧

在 Java 数据处理、文本清洗、内容解析等开发场景中，从 HTML 文件中剔除标签、样式、脚本等冗余格式，提取核心纯文本是高频需求。实现该需求的技术方案较多，本文将分享一种轻量、简洁的实现方式：使用 Free Spire.Doc for Java 库完成 HTML 纯文本提取，为开发者提供直接可复用的解决方案。

一、实现原理

Free Spire.Doc for Java 是一款免费库，其核心设计围绕 Word 文档的段落、节、表格等元素展开。当调用 loadFromFile 方法并指定 FileFormat.Html 时，库内部会将 HTML 标签、样式和文本映射到自己的文档对象模型中。随后调用 getText() 方法，库会遍历文档树，将所有文本节点的内容拼接并返回，同时过滤掉 HTML 标签和大部分脚本/样式内容。这种方式本质上是一种“将 HTML 解析为富文本再提取纯文本”的桥接方案。

二、环境准备

添加依赖：在项目的 pom.xml 中添加仓库地址与依赖坐标：

<!-- 仓库配置 -->
<repositories>
    <repository>
        <id>com.e-iceblue</id>
        <name>e-iceblue</name>
        <url>https://repo.e-iceblue.com/nexus/content/groups/public/</url>
    </repository>
</repositories>
<!-- 核心依赖 -->
<dependency>
    <groupId>e-iceblue</groupId>
    <artifactId>spire.doc.free</artifactId>
    <version>14.3.1</version>
</dependency>

如果使用 Gradle：

implementation 'e-iceblue:spire.doc.free:14.3.1@jar'

或者手动下载 JAR 文件并添加到 classpath。

准备 HTML 文件：例如 Sample.html，包含任意结构的内容。

三、代码实现

下面是一个完整的示例，展示如何读取 HTML 文件、提取文本并保存为 TXT 文件。

import com.spire.doc.Document;
import com.spire.doc.FileFormat;

import java.io.FileWriter;
import java.io.IOException;

public class ExtractTextFromHTML {

    public static void main(String[] args) {
        // 1. 创建 Document 对象
        Document doc = new Document();

        // 2. 加载 HTML 文件（指定格式为 Html）
        doc.loadFromFile("Sample.html", FileFormat.Html);

        // 3. 获取提取的纯文本
        String text = doc.getText();

        // 4. 将文本写入输出文件
        try (FileWriter fileWriter = new FileWriter("HTMLText.txt")) {
            fileWriter.write(text);
            System.out.println("文本提取完成，已保存至 HTMLText.txt");
        } catch (IOException e) {
            System.err.println("写入文件失败：" + e.getMessage());
        }
    }
}

代码说明

四、注意事项与局限性

1. 文本布局简化

getText() 返回的文本不保证保留原始 HTML 中的表格结构、缩进或列表符号。对于需要保持格式的提取任务（如表格转 CSV），此方法可能不适用。

2. 对 JavaScript 和 CSS 的处理

库在加载 HTML 时会忽略 <script> 和 <style> 标签内的内容，但部分内联样式或事件属性可能残留于文本？实际测试表明，getText() 基本只提取可见文本节点，不会输出脚本或样式代码，比较干净。

3. 免费版适用场景

免费版本支持轻量级 HTML 文本提取，有页数限制仅满足中小型项目、个人开发的基础需求；复杂文档处理场景可根据业务选型其他方案。

五、方法补充

在 Java 中从 HTML 文件中提取纯文本内容，最常用、最可靠的方法是使用 Jsoup 库。它能够解析 HTML 文档，并提供了便捷的 API 来获取文本内容，同时还能正确处理标签、实体和嵌套结构。

1.使用 Jsoup（推荐）

添加依赖

Maven：

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.18.3</version> <!-- 2026年最新版本 -->
</dependency>

Gradle：

implementation 'org.jsoup:jsoup:1.18.3'

从 HTML 文件提取纯文本

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import java.io.File;
import java.io.IOException;
public class HtmlToText {
    public static void main(String[] args) {
        try {
            // 加载 HTML 文件
            File input = new File("example.html");
            Document doc = Jsoup.parse(input, "UTF-8");
            // 提取纯文本（保留换行和基本格式）
            String plainText = doc.text();
            System.out.println(plainText);
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

保留段落和换行格式

doc.text() 会返回所有文本，但会合并空白。若想保留段落结构，可以使用 doc.body().text() 或自定义处理：

// 获取 body 内的文本
String bodyText = doc.body().text();
// 更精细的控制：提取每个块元素并添加换行
StringBuilder sb = new StringBuilder();
doc.body().getAllElements().forEach(element -> {
    if (element.isBlock()) {
        String txt = element.ownText();
        if (!txt.isEmpty()) {
            sb.append(txt).append("\n");
        }
    }
});
System.out.println(sb.toString());

从 URL 或字符串中提取

// 从 URL 读取
Document doc = Jsoup.connect("https://example.com").get();
String text = doc.text();
// 从 HTML 字符串读取
String html = "<html><body><p>Hello, world!</p></body></html>";
Document doc2 = Jsoup.parse(html);
String text2 = doc2.text();

2.使用正则表达式（不推荐，仅作备选）

正则表达式处理 HTML 容易出错，尤其对于复杂的嵌套结构。简单场景可临时使用：

public static String htmlToTextRegex(String html) {
    // 移除 <script> 和 <style> 内容
    String noScript = html.replaceAll("(?i)<script[^>]*>.*?</script>", "")
                          .replaceAll("(?i)<style[^>]*>.*?</style>", "");
    // 移除所有 HTML 标签
    String noTags = noScript.replaceAll("<[^>]+>", "");
    // 解码 HTML 实体（如   -> 空格）
    String unescaped = org.apache.commons.text.StringEscapeUtils.unescapeHtml4(noTags);
    // 合并空白
    return unescaped.replaceAll("\\s+", " ").trim();
}

需要额外添加 Apache Commons Text 依赖：

<dependency>
    <groupId>org.apache.commons</groupId>
    <artifactId>commons-text</artifactId>
    <version>1.12.0</version>
</dependency>

缺陷：无法正确处理嵌套标签、CDATA、注释等复杂结构，且可能误删标签内的合法文本。

3.其他备选方案

HTML Cleaner

import org.htmlcleaner.HtmlCleaner;
import org.htmlcleaner.CleanerProperties;
HtmlCleaner cleaner = new HtmlCleaner();
CleanerProperties props = cleaner.getProperties();
// 配置...
TagNode node = cleaner.clean(new File("example.html"));
String text = node.getText().toString();

Apache Tika

适合需要从多种文档格式（HTML, PDF, Word 等）中提取文本的场景。

<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-core</artifactId>
    <version>2.9.0</version>
</dependency>
import org.apache.tika.Tika;
import java.io.File;
Tika tika = new Tika();
String text = tika.parseToString(new File("example.html"));

六、总结

本文提供了实现 HTML 文件纯文本快速提取的简单方案，核心代码仅数行，无需手动编写 HTML 标签解析逻辑，大幅降低开发成本。 该方案的核心优势：

开发者可直接复用代码，并根据自身需求封装为工具类，适配批量 HTML 文件处理等扩展场景。

到此这篇关于Java代码实现从HTML文件中提取纯文本内容的文章就介绍到这了,更多相关Java提取HTML纯文本内容内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:
阅读全文