Java 提取HTML文件中的文本内容

不念不忘少年蓝@ 2024-05-01 03:40 11阅读 0赞

从 HTML 文件中提取文本内容是数据抓取中的一个常见任务，你可以将提取的文本信息用于编制报告、进行数据分析或其他处理。本文分享如何使用免费 Java API 从HTML 文件中提取文本内容。

#### 安装免费Java库： ####

要通过Java提取HTML文本，需要用到***[Free Spire.Doc for Java][]***免费库。以下提供两种安装方式：

1. 通过Maven仓库安装：

<repositories>
        <repository>
            <id>com.e-iceblue</id>
            <name>e-iceblue</name>
            <url>https://repo.e-iceblue.cn/repository/maven-public/</url>
        </repository>
    </repositories>
    <dependency>
        <groupId>e-iceblue</groupId>
        <artifactId>spire.doc.free</artifactId>
        <version>5.2.0</version>
    </dependency>

2. [下载Free Spire.Doc for Java库][Free Spire.Doc for Java 1]，解压后手动将*Spire.Doc.jar*添加到程序中。

#### 使用Java从HTML文件中提取文本内容 ####

基本步骤：

1.  导入需要的类库；
2.  通过 ***loadFromFile()*** 方法加载HTML文件；
3.  通过***getText()*** 方法获取HTML文件中的文本内容。
4.  创建一个 ***FileWriter***对象，将提取的文本内容写入一个txt文件中

示例代码：

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) throws IOException {
    
            //创建Document对象
            Document doc = new Document();
    
            //加载一个HTML文件
            doc.loadFromFile("input.html", FileFormat.Html);
    
            //获取HTML文件中的文本
            String text = doc.getText();
    
            //将文本写入TXT文件
            FileWriter fileWriter = new FileWriter("提取HTML文本.txt");
            fileWriter.write(text);
            fileWriter.close();
        }
    }

运行结果 ：

![c6f7c64774bd4e84914ea43be9127ea2.png][]

*参考文章：*

[Java: Extract Text from HTMLUse Spire.Doc for Java to extract text from an HTML file or a URL easily, without the need for any third-party libraries.![icon-default.png?t=N7T8][icon-default.png_t_N7T8]https://www.e-iceblue.com/Tutorials/Java/Spire.Doc-for-Java/Program-Guide/Conversion/Java-Extract-Text-from-HTML.html][Java_ Extract Text from HTMLUse Spire.Doc for Java to extract text from an HTML file or a URL easily_ without the need for any third-party libraries._icon-default.png_t_N7T8_icon-default.png_t_N7T8_https_www.e-iceblue.com_Tutorials_Java_Spire.Doc-for-Java_Program-Guide_Conversion_Java-Extract-Text-from-HTML.html]在实际应用中，有问题可前往[论坛][Link 1]讨论。

[Free Spire.Doc for Java]: https://www.e-iceblue.cn/Introduce/Free-Spire-Doc-JAVA.html
[Free Spire.Doc for Java 1]: https://www.e-iceblue.cn/Downloads/Free-Spire-Doc-JAVA.html
[c6f7c64774bd4e84914ea43be9127ea2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/01/d81d1723c59e4d45b69670962420c3d9.png
[icon-default.png_t_N7T8]: https://csdnimg.cn/release/blog_editor_html/release2.3.6/ckeditor/plugins/CsdnLink/icons/icon-default.png?t=N7T8
[Java_ Extract Text from HTMLUse Spire.Doc for Java to extract text from an HTML file or a URL easily_ without the need for any third-party libraries._icon-default.png_t_N7T8_icon-default.png_t_N7T8_https_www.e-iceblue.com_Tutorials_Java_Spire.Doc-for-Java_Program-Guide_Conversion_Java-Extract-Text-from-HTML.html]: https://www.e-iceblue.com/Tutorials/Java/Spire.Doc-for-Java/Program-Guide/Conversion/Java-Extract-Text-from-HTML.html
[Link 1]: https://www.e-iceblue.com/forum/forum-f16.html?sid=bc1ecad34d76f284505936bca3ae099f