html片段提取纯文本

public String html2Str(String html) { try { //html = nvl(html); Parser parser = Parser.createParser(html, "utf-8"); TextExtractingVisitor visitor = new TextExtractingVisitor(); parser.visitAllNodesWith(visitor); return visitor.getExtractedText(); } catch (Exception ex) { return null; } }

上面代码可将html字符串转成纯文本，但是有一些字符不能过滤如 \n \t 等

text= String.replaceAll("\\s*|\t|\r|\n","");

加上此代码即可

上面代码需要导入的jar包有

1.filterbuilder.jar

2.htmllexer.jar

3.htmlparser.jar

4.sitecapturer.jar

5.thumbelina.jar