com.khala.extractor.HTMLUtil Maven / Gradle / Ivy
package com.khala.extractor;
public class HTMLUtil {
public static String delHtmlTags(String htmlStr) {
//定义script的正则表达式，去除js可以防止注入
String scriptRegex = "]*?>[\\s\\S]*?<\\/script>";
//定义style的正则表达式，去除style样式，防止css代码过多时只截取到css样式代码
String styleRegex = "]*?>[\\s\\S]*?<\\/style>";
//定义HTML标签的正则表达式，去除标签，只提取文字内容
String htmlRegex = "<[^>]+>";
//定义空格,回车,换行符,制表符
String spaceRegex = "\\s*|\t|\r|\n";
// 过滤script标签
htmlStr = htmlStr.replaceAll(scriptRegex, "");
// 过滤style标签
htmlStr = htmlStr.replaceAll(styleRegex, "");
// 过滤html标签
htmlStr = htmlStr.replaceAll(htmlRegex, "");
// 过滤空格等
htmlStr = htmlStr.replaceAll(spaceRegex, "");
return htmlStr.trim(); // 返回文本字符串
}
/**
* 获取HTML代码里的内容
* @param htmlStr
* @return
*/
public static String getTextFromHtml(String htmlStr) {
//去除html标签
htmlStr = delHtmlTags(htmlStr);
//去除空格" "
htmlStr = htmlStr.replaceAll(" ", "");
return htmlStr;
}
public static void main(String[] args) {
String htmlStr = "少年中国说。红日初升，其道大光。河出伏流，一泻汪洋。
潜龙腾渊， 鳞爪飞扬。乳 虎啸 谷，百兽震惶。鹰隼试翼，风尘吸张。奇花初胎，矞矞皇皇。干将发硎，有作其芒。天戴其苍，地履其黄。纵有千古，横有"
+ "八荒。前途似海，来日方长。美哉我少年中国，与天不老！
壮哉我中国少年，与国无疆！
";
System.out.println(getTextFromHtml(htmlStr));
}
}