如何在java中提取网页文本内容？

Question

我正在寻找一种方法,使用jdk或其他库从网页(最初是html)中提取文本.请帮忙

谢谢

Answer 1

尽可能使用HTML解析器 ; 有许多可用于Java.

或者你可以像许多人一样使用正则表达式.但是,这通常是不可取的,除非您进行非常简单的处理.

相关问题

• Java HTML解析
• 哪个Html Parser最好？
• 任何好的Java HTML解析器？
• 对java HTML解析器/编辑器的建议
• 您在Java中推荐哪些HTML解析库

文字提取:

• 从HTML Java中提取文本
• 使用java html解析器进行文本提取

标签剥离:

• 在Java中剥离HTML标记
• 如何在JAVA中除去"src"和"alt"之外的HTML属性
• 从Java字符串中删除HTML

Answer 2

使用jsoup.这是目前最优雅的屏幕抓取库.

URL url = new URL("http://example.com/");
Document doc = Jsoup.parse(url, 3*1000);
String title = doc.title();

我只是喜欢它的CSS选择器语法.