Java中，从Html代码中提取纯文本字符串，纯文本段落及坐标Java工具类
Java中，从Html代码中提取纯文本字符串，方法有很多种。
下面重点使用Java自带工具类，如何获取纯文本段及段在html代码中的坐标，直接上代码。
public class Html2TextUtil extends HTMLEditorKit.ParserCallback {
private StringBuffer stringBuffer;
private List<String> stringBufferList;
private List<Integer> stringBufferPos;
private static Html2TextUtil html2Text = new Html2TextUtil();
public Html2TextUtil() {
}
public void parse(String str) {
InputStream iin = new ByteArrayInputStream(str.getBytes());
Reader in = new InputStreamReader(iin);
stringBuffer = new StringBuffer();
stringBufferList=new ArrayList<String>();
stringBufferPos=new ArrayList<Integer>();
ParserDelegator delegator = new ParserDelegator();
try {
delegator.parse(in, this, Boolean.TRUE);
}catch (Exception e){
}finally {
if(in !=null){
try {
in.close();
}catch (Exception ee){
}
}
if(iin !=null){
try {
iin.close();
}catch (Exception ee){
}
}
}
}
public void handleText(char[] text, int pos) {
String textStr=String.valueOf(text);
if(textStr!=null&&!"".equals(textStr)){
stringBufferList.add(textStr+"//坐标为："+pos);
stringBufferPos.add(pos);
}
stringBuffer.append(text);
}
public String getText() {
return stringBuffer.toString();
}
public Map<String,Object> getSplitText() {
Map<String,Object> map=new Hashtable<String,Object>();
map.put("text",stringBuffer.toString());
map.put("textList",stringBufferList);
map.put("textPos",stringBufferPos);
return map;
}
public void flush() throws BadLocationException {
}
public void handleComment(char[] var1, int var2) {
}
public void handleStartTag(HTML.Tag var1, MutableAttributeSet var2, int var3) {
}
public void handleEndTag(HTML.Tag var1, int var2) {
}
public void handleSimpleTag(HTML.Tag var1, MutableAttributeSet var2, int var3) {
}
public void handleError(String var1, int var2) {
}
public void handleEndOfLineString(String var1) {
}
public static String getContent(String str) {
html2Text.parse(str);
return html2Text.getText();
}
public static Map<String,Object> getContentMap(String str) {
html2Text.parse(str);
return html2Text.getSplitText();
}
public static void main(String[] args){
String s1 = "<p></p><p>考生注意：</p><p style=\"text-indent: 2em;\">1.本试卷分选择题和非选择题两部分。满分100分，考试时间90分钟。</p><p style=\"text-indent: 2em;\">2.答题前，考生务必用直径0. 5毫米黑色墨水签字笔将密封线内项目填写清楚。</p>";
String result=new Html2TextUtil().getContent(s1);
System.out.println("【原始html为】："+s1);
System.out.println("【纯文本字符串为】："+result);
System.out.println();
Map<String,Object> htmlMap=new Html2TextUtil().getContentMap(s1);
System.out.println("【原始html】："+s1);
System.out.println("【纯文本段及文本坐标】：");
List<String> list= (List<String>)htmlMap.get("textList");
for(String str:list){
System.out.println(str);
}
}
}
运行结果截图：