Java代碼實(shí)現(xiàn)從HTML文件中提取純文本內(nèi)容
在 Java 數(shù)據(jù)處理、文本清洗、內(nèi)容解析等開發(fā)場(chǎng)景中，從 HTML 文件中剔除標(biāo)簽、樣式、腳本等冗余格式，提取核心純文本是高頻需求。實(shí)現(xiàn)該需求的技術(shù)方案較多，本文將分享一種輕量、簡(jiǎn)潔的實(shí)現(xiàn)方式：使用 Free Spire.Doc for Java 庫完成 HTML 純文本提取，為開發(fā)者提供直接可復(fù)用的解決方案。
一、實(shí)現(xiàn)原理
Free Spire.Doc for Java 是一款免費(fèi)庫，其核心設(shè)計(jì)圍繞 Word 文檔的段落、節(jié)、表格等元素展開。當(dāng)調(diào)用 loadFromFile 方法并指定 FileFormat.Html 時(shí)，庫內(nèi)部會(huì)將 HTML 標(biāo)簽、樣式和文本映射到自己的文檔對(duì)象模型中。隨后調(diào)用 getText() 方法，庫會(huì)遍歷文檔樹，將所有文本節(jié)點(diǎn)的內(nèi)容拼接并返回，同時(shí)過濾掉 HTML 標(biāo)簽和大部分腳本/樣式內(nèi)容。這種方式本質(zhì)上是一種“將 HTML 解析為富文本再提取純文本”的橋接方案。
二、環(huán)境準(zhǔn)備
添加依賴：在項(xiàng)目的 pom.xml 中添加倉庫地址與依賴坐標(biāo)：
<!-- 倉庫配置 -->
<repositories>
<repository>
<id>com.e-iceblue</id>
<name>e-iceblue</name>
<url>https://repo.e-iceblue.com/nexus/content/groups/public/</url>
</repository>
</repositories>
<!-- 核心依賴 -->
<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'
或者手動(dòng)下載 JAR 文件并添加到 classpath。
準(zhǔn)備 HTML 文件：例如 Sample.html，包含任意結(jié)構(gòu)的內(nèi)容。
三、代碼實(shí)現(xiàn)
下面是一個(gè)完整的示例，展示如何讀取 HTML 文件、提取文本并保存為 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. 創(chuàng)建 Document 對(duì)象
Document doc = new Document();
// 2. 加載 HTML 文件（指定格式為 Html）
doc.loadFromFile("Sample.html", FileFormat.Html);
// 3. 獲取提取的純文本
String text = doc.getText();
// 4. 將文本寫入輸出文件
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("寫入文件失?。? + e.getMessage());
}
}
}
代碼說明
- 第 1 步：實(shí)例化
Document類，這是 Free Spire.Doc 的核心入口，用于承載文檔內(nèi)容。 - 第 2 步：
loadFromFile方法有兩個(gè)參數(shù)：文件路徑和文件格式。FileFormat.Html告訴庫按 HTML 方式解析輸入。 - 第 3 步：
getText()返回文檔中所有文本內(nèi)容的字符串表示，換行符和空格按內(nèi)部規(guī)則保留，但 HTML 標(biāo)簽被完全剝離。 - 第 4 步：使用 try-with-resources 語法安全地寫入 TXT 文件。
四、注意事項(xiàng)與局限性
1. 文本布局簡(jiǎn)化
getText() 返回的文本不保證保留原始 HTML 中的表格結(jié)構(gòu)、縮進(jìn)或列表符號(hào)。對(duì)于需要保持格式的提取任務(wù)（如表格轉(zhuǎn) CSV），此方法可能不適用。
2. 對(duì) JavaScript 和 CSS 的處理
庫在加載 HTML 時(shí)會(huì)忽略 <script> 和 <style> 標(biāo)簽內(nèi)的內(nèi)容，但部分內(nèi)聯(lián)樣式或事件屬性可能殘留于文本？實(shí)際測(cè)試表明，getText() 基本只提取可見文本節(jié)點(diǎn)，不會(huì)輸出腳本或樣式代碼，比較干凈。
3. 免費(fèi)版適用場(chǎng)景
免費(fèi)版本支持輕量級(jí) HTML 文本提取，有頁數(shù)限制僅滿足中小型項(xiàng)目、個(gè)人開發(fā)的基礎(chǔ)需求；復(fù)雜文檔處理場(chǎng)景可根據(jù)業(yè)務(wù)選型其他方案。
五、方法補(bǔ)充
在 Java 中從 HTML 文件中提取純文本內(nèi)容，最常用、最可靠的方法是使用 Jsoup 庫。它能夠解析 HTML 文檔，并提供了便捷的 API 來獲取文本內(nèi)容，同時(shí)還能正確處理標(biāo)簽、實(shí)體和嵌套結(jié)構(gòu)。
1.使用 Jsoup（推薦）
添加依賴
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'
從 HTML 文件提取純文本
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 {
// 加載 HTML 文件
File input = new File("example.html");
Document doc = Jsoup.parse(input, "UTF-8");
// 提取純文本（保留換行和基本格式）
String plainText = doc.text();
System.out.println(plainText);
} catch (IOException e) {
e.printStackTrace();
}
}
}保留段落和換行格式
doc.text() 會(huì)返回所有文本，但會(huì)合并空白。若想保留段落結(jié)構(gòu)，可以使用 doc.body().text() 或自定義處理：
// 獲取 body 內(nèi)的文本
String bodyText = doc.body().text();
// 更精細(xì)的控制：提取每個(gè)塊元素并添加換行
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());從 URL 或字符串中提取
// 從 URL 讀取
Document doc = Jsoup.connect("https://example.com").get();
String text = doc.text();
// 從 HTML 字符串讀取
String html = "<html><body><p>Hello, world!</p></body></html>";
Document doc2 = Jsoup.parse(html);
String text2 = doc2.text();2.使用正則表達(dá)式（不推薦，僅作備選）
正則表達(dá)式處理 HTML 容易出錯(cuò)，尤其對(duì)于復(fù)雜的嵌套結(jié)構(gòu)。簡(jiǎn)單場(chǎng)景可臨時(shí)使用：
public static String htmlToTextRegex(String html) {
// 移除 <script> 和 <style> 內(nèi)容
String noScript = html.replaceAll("(?i)<script[^>]*>.*?</script>", "")
.replaceAll("(?i)<style[^>]*>.*?</style>", "");
// 移除所有 HTML 標(biāo)簽
String noTags = noScript.replaceAll("<[^>]+>", "");
// 解碼 HTML 實(shí)體（如 -> 空格）
String unescaped = org.apache.commons.text.StringEscapeUtils.unescapeHtml4(noTags);
// 合并空白
return unescaped.replaceAll("\\s+", " ").trim();
}需要額外添加 Apache Commons Text 依賴：
<dependency>
<groupId>org.apache.commons</groupId>
<artifactId>commons-text</artifactId>
<version>1.12.0</version>
</dependency>缺陷：無法正確處理嵌套標(biāo)簽、CDATA、注釋等復(fù)雜結(jié)構(gòu)，且可能誤刪標(biāo)簽內(nèi)的合法文本。
3.其他備選方案
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
適合需要從多種文檔格式（HTML, PDF, Word 等）中提取文本的場(chǎng)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、總結(jié)
本文提供了實(shí)現(xiàn) HTML 文件純文本快速提取的簡(jiǎn)單方案，核心代碼僅數(shù)行，無需手動(dòng)編寫 HTML 標(biāo)簽解析邏輯，大幅降低開發(fā)成本。 該方案的核心優(yōu)勢(shì)：
- 開箱即用，無復(fù)雜配置；
- 自動(dòng)過濾 HTML 冗余格式，純文本提取精準(zhǔn)；
- 免費(fèi)版無授權(quán)成本，適合輕量級(jí)業(yè)務(wù)場(chǎng)景。
開發(fā)者可直接復(fù)用代碼，并根據(jù)自身需求封裝為工具類，適配批量 HTML 文件處理等擴(kuò)展場(chǎng)景。
到此這篇關(guān)于Java代碼實(shí)現(xiàn)從HTML文件中提取純文本內(nèi)容的文章就介紹到這了,更多相關(guān)Java提取HTML純文本內(nèi)容內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
用攔截器修改返回response,對(duì)特定的返回進(jìn)行修改操作
這篇文章主要介紹了用攔截器修改返回response,對(duì)特定的返回進(jìn)行修改操作。具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2020-09-09
日志是應(yīng)用軟件中不可缺少的部分，Apache的開源項(xiàng)目log4j是一個(gè)功能強(qiáng)大的日志組件,提供方便的日志記錄。在apache網(wǎng)站：jakarta.apache.org/log4j 可以免費(fèi)下載到Log4j最新版本的軟件包2015-11-11
這篇文章主要介紹了如何使用JAVA調(diào)用SHELL，文中講解非常細(xì)致，代碼幫助大家更好的理解和學(xué)習(xí)，感興趣的朋友可以了解下2020-06-06
Java對(duì)接拉卡拉支付完整指南(附詳細(xì)代碼)
拉卡拉支付SDK是一個(gè)面向Java開發(fā)者的支付解決方案,其設(shè)計(jì)目的是為了幫助開發(fā)者在Java環(huán)境中輕松集成拉卡拉的支付功能,這篇文章主要介紹了Java對(duì)接拉卡拉支付的相關(guān)資料,需要的朋友可以參考下2026-03-03
這篇文章主要介紹了Java學(xué)生信息類繼承與接口的原理及使用方式,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2024-02-02
Java內(nèi)存緩存工具Guava LoadingCache使用解析
這篇文章主要介紹了Java內(nèi)存緩存工具Guava LoadingCache使用解析,文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-01-01
@NotEmpty、@NotBlank、@NotNull的區(qū)別
這篇文章主要介紹了@NotEmpty、@NotBlank、@NotNull的區(qū)別,需要的朋友可以參考下2016-09-09
一文詳解Java?Guava核心字符串API操作的實(shí)用指南
在?Java?開發(fā)中,字符串操作是日常開發(fā)高頻場(chǎng)景,Google?開源的?Guava?庫為字符串操作提供了一套簡(jiǎn)潔、高效且功能豐富的工具集,本文將深入解析?Guava?中核心的字符串操作?API,結(jié)合場(chǎng)景講解其用法與優(yōu)勢(shì),希望對(duì)大家有所幫助2026-04-04
Java中MapStruct映射處理器報(bào)錯(cuò)的問題解決
MapStruct是一個(gè)強(qiáng)大的Java映射框架,它能夠在編譯時(shí)生成映射代碼,,本文主要介紹了Java中MapStruct映射處理器報(bào)錯(cuò)的問題解決,具有一定的參考價(jià)值,感興趣的可以了解一下2024-03-03
2010以上格式使用XSSFWorkBook對(duì)象, 2003格式使用HSSFWorkBook對(duì)象, 其他對(duì)象操作基本一樣，本文重點(diǎn)給大家介紹java使用poi生成excel的相關(guān)知識(shí)，感興趣的朋友一起看看吧2022-04-04