web-dev-qa-db-ja.com

JavaでHTMLをプレーンテキストに変換する

HTMLをプレーンテキストに変換する必要があります。書式設定の唯一の要件は、プレーンテキストで新しい行を保持することです。 <br>の場合だけでなく、他のタグ(例: <tr/></p>も改行につながります。

テスト用のサンプルHTMLページは次のとおりです。

これらはランダムなURLにすぎないことに注意してください。

このStackOverflowの質問 の回答に記載されているさまざまなライブラリ(JSoup、Javax.swing、Apache utils)を試して、HTMLをプレーンテキストに変換しました。

JSoupの使用例:

public class JSoupTest {

 @Test
 public void SimpleParse() {
  try {
   Document doc = Jsoup.connect("http://www.particle.kth.se/~lindsey/JavaCourse/Book/Part1/Java/Chapter09/scannerConsole.html").get();
   System.out.print(doc.text());

  } catch (IOException e) {
   // TODO Auto-generated catch block
   e.printStackTrace();
  }
 }
}

HTMLEditorKitの例:

import javax.swing.text.html.*;
import javax.swing.text.html.parser.*;

public class Html2Text extends HTMLEditorKit.ParserCallback {
 StringBuffer s;

 public Html2Text() {}

 public void parse(Reader in) throws IOException {
   s = new StringBuffer();
   ParserDelegator delegator = new ParserDelegator();
   // the third parameter is TRUE to ignore charset directive
   delegator.parse(in, this, Boolean.TRUE);
 }

 public void handleText(char[] text, int pos) {
   s.append(text);
 }

 public String getText() {
   return s.toString();
 }

 public static void main (String[] args) {
   try {
     // the HTML to convert
    URL  url = new URL("http://www.javadb.com/write-to-file-using-bufferedwriter");
    URLConnection conn = url.openConnection();
    BufferedReader reader = new BufferedReader(new InputStreamReader(url.openStream()));
    String inputLine;
    String finalContents = "";
    while ((inputLine = reader.readLine()) != null) {
     finalContents += "\n" + inputLine.replace("<br", "\n<br");
    }
    BufferedWriter writer = new BufferedWriter(new FileWriter("samples/testHtml.html"));
    writer.write(finalContents);
    writer.close();

     FileReader in = new FileReader("samples/testHtml.html");
     Html2Text parser = new Html2Text();
     parser.parse(in);
     in.close();
     System.out.println(parser.getText());
   }
   catch (Exception e) {
     e.printStackTrace();
   }
 }
}


10
brayne

パーサーにテキストコンテンツと改行をStringBuilderに追加してもらいます。

final StringBuilder sb = new StringBuilder();
HTMLEditorKit.ParserCallback parserCallback = new HTMLEditorKit.ParserCallback() {
    public boolean readyForNewline;

    @Override
    public void handleText(final char[] data, final int pos) {
        String s = new String(data);
        sb.append(s.trim());
        readyForNewline = true;
    }

    @Override
    public void handleStartTag(final HTML.Tag t, final MutableAttributeSet a, final int pos) {
        if (readyForNewline && (t == HTML.Tag.DIV || t == HTML.Tag.BR || t == HTML.Tag.P)) {
            sb.append("\n");
            readyForNewline = false;
        }
    }

    @Override
    public void handleSimpleTag(final HTML.Tag t, final MutableAttributeSet a, final int pos) {
        handleStartTag(t, a, pos);
    }
};
new ParserDelegator().parse(new StringReader(html), parserCallback, false);
5
Sam Barnum

ParserCallbackを使用できると思います。

特別な処理が必要なタグをサポートするコードを追加する必要があります。がある:

  1. handleStartTag
  2. handleEndTag
  3. handleSimpleTag

監視するタグを確認してから、バッファに改行文字を追加できるようにするコールバック。

2
camickr

あなたの例に基づいて、 htmlからプレーンテキストへ? メッセージからのヒントを使用して:

import Java.io.*;

import org.jsoup.*;
import org.jsoup.nodes.*;

public class TestJsoup
{
  public void SimpleParse()
  {
    try
    {
      Document doc = Jsoup.connect("http://www.particle.kth.se/~lindsey/JavaCourse/Book/Part1/Java/Chapter09/scannerConsole.html").get();
      // Trick for better formatting
      doc.body().wrap("<pre></pre>");
      String text = doc.text();
      // Converting nbsp entities
      text = text.replaceAll("\u00A0", " ");
      System.out.print(text);
    }
    catch (IOException e)
    {
      e.printStackTrace();
    }
  }

  public static void main(String args[])
  {
    TestJsoup tjs = new TestJsoup();
    tjs.SimpleParse();
  }
}
2
PhiLho

この目的でXSLTを使用できます。同様の問題に対処する このリンク を見てください。

お役に立てば幸いです。

1
Suresh Kumar

[〜#〜] sax [〜#〜] を使用します。ドキュメントが整形式のXHTMLでない場合は、 JTidy で変換します。

1
mschonaker

JSoupは、FreeMarker(またはその他の顧客/非HTMLタグ)と互換性がありません。これを、Htmlをプレーンテキストに変換するための最も純粋なソリューションと考えてください。

http://stackoverflow.com/questions/1518675/open-source-Java-library-for-html-to-text-conversion/1519726#1519726 私のコード:

return new net.htmlparser.jericho.Source(html).getRenderer().setMaxLineLength(Integer.MAX_VALUE).setNewLine(null).toString();
0
John Camerin