使用 Java 提取 HTML 文件中的纯文本内容
<p>在 Java 数据处理、文本清洗、内容解析等开发场景中，从 HTML 文件中剔除标签、样式、脚本等冗余格式，提取核心纯文本是高频需求。实现该需求的技术方案较多，本文将分享一种轻量、简洁的实现方式：使用 Free Spire.Doc for Java 库完成 HTML 纯文本提取，为开发者提供直接可复用的解决方案。</p><hr>
<h2 id="一实现原理">一、实现原理</h2>
<p>Free Spire.Doc for Java 是一款免费库，其核心设计围绕 Word 文档的段落、节、表格等元素展开。当调用 <code>loadFromFile</code> 方法并指定 <code>FileFormat.Html</code> 时，库内部会将 HTML 标签、样式和文本映射到自己的文档对象模型中。</p>
<p>随后调用 <code>getText()</code> 方法，库会遍历文档树，将所有文本节点的内容拼接并返回，同时过滤掉 HTML 标签和大部分脚本/样式内容。这种方式本质上是一种“将 HTML 解析为富文本再提取纯文本”的桥接方案。</p>
<hr>
<h2 id="二环境准备">二、环境准备</h2>
<p><strong>添加依赖</strong>：在项目的 <code>pom.xml</code> 中添加仓库地址与依赖坐标：</p>
<pre><code class="language-xml"><!-- 仓库配置 -->
<repositories>
<repository>
<id>com.e-iceblue</id>
<name>e-iceblue</name>
<url>https://repo.e-iceblue.com/nexus/content/groups/public/</url>
</repository>
</repositories>
<!-- 核心依赖 -->
<dependency>
<groupId>e-iceblue</groupId>
<artifactId>spire.doc.free</artifactId>
<version>14.3.1</version>
</dependency>
</code></pre>
<p>如果使用 Gradle：</p>
<pre><code class="language-groovy">implementation 'e-iceblue:spire.doc.free:14.3.1@jar'
</code></pre>
<p>或者手动下载 JAR 文件并添加到 classpath。</p>
<hr>
<h2 id="三java-实现代码">三、Java 实现代码</h2>
<p>下面是一个完整的示例，展示如何读取 HTML 文件、提取文本并保存为 TXT 文件。</p>
<pre><code class="language-java">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. 创建 Document 对象
Document doc = new Document();
// 2. 加载 HTML 文件（指定格式为 Html）
doc.loadFromFile("Sample.html", FileFormat.Html);
// 3. 获取提取的纯文本
String text = doc.getText();
// 4. 将文本写入输出文件
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("写入文件失败：" + e.getMessage());
}
}
}
</code></pre>
<h3 id="代码说明">代码说明</h3>
<ul>
<li><strong>第 1 步</strong>：实例化 <code>Document</code> 类，这是 Free Spire.Doc 的核心入口，用于承载文档内容。</li>
<li><strong>第 2 步</strong>：<code>loadFromFile</code> 方法有两个参数：文件路径和文件格式。<code>FileFormat.Html</code> 告诉库按 HTML 方式解析输入。</li>
<li><strong>第 3 步</strong>：<code>getText()</code> 返回文档中所有文本内容的字符串表示，换行符和空格按内部规则保留，但 HTML 标签被完全剥离。</li>
<li><strong>第 4 步</strong>：使用 try-with-resources 语法安全地写入 TXT 文件。</li>
</ul>
<hr>
<h2 id="四注意事项与局限性">四、注意事项与局限性</h2>
<h3 id="1-文本布局简化">1. 文本布局简化</h3>
<p><code>getText()</code> 返回的文本不保证保留原始 HTML 中的表格结构、缩进或列表符号。对于需要保持格式的提取任务（如表格转 CSV），此方法可能不适用。</p>
<h3 id="2-对-javascript-和-css-的处理">2. 对 JavaScript 和 CSS 的处理</h3>
<p>库在加载 HTML 时会忽略 <code><script></code> 和 <code><style></code> 标签内的内容，但部分内联样式或事件属性可能残留于文本？实际测试表明，<code>getText()</code> 基本只提取可见文本节点，不会输出脚本或样式代码，比较干净。</p>
<h3 id="3-免费版适用场景">3. 免费版适用场景</h3>
<p>免费版本支持轻量级 HTML 文本提取，有页数限制仅满足中小型项目、个人开发的基础需求；复杂文档处理场景可根据业务选型其他方案。</p>
<hr>
<h2 id="五总结">五、总结</h2>
<p>本文提供了实现 HTML 文件纯文本快速提取的简单方案，核心代码仅数行，无需手动编写 HTML 标签解析逻辑，大幅降低开发成本。<br>
该方案的核心优势：</p>
<ul>
<li>开箱即用，无复杂配置；</li>
<li>自动过滤 HTML 冗余格式，纯文本提取精准；</li>
<li>免费版无授权成本，适合轻量级业务场景。</li>
</ul>
<p>开发者可直接复用代码，并根据自身需求封装为工具类，适配批量 HTML 文件处理等扩展场景。</p><br><br>
来源：https://www.cnblogs.com/jazz-z/p/19914105
頁:
[1]