不看会后悔的Windows XP之经验谈	简单快捷DIY实用家庭影院

有没有函数从html文本中获取纯文本内容？？？

楼主xh_zhou（一介夫）2002-05-08 14:27:08 在 Java / J2SE / 基础类提问

我需要从html文件中获取正文内容，有没有函数从html文本中获取纯文本内容？？？急用！！！！，谢谢了问题点数：100、回复次数：19Top

1 楼GJA106（中文字符）回复于 2002-05-08 14:48:12 得分 30

可以用java文件流来读取。
然后判断html的标志关键字：如果是正文则读取。
html的标志关键字，自己去查吧(如：<html></html><title>...)Top

2 楼xiaobi_liang（淡泊以明志，宁静以致远...）回复于 2002-05-08 14:53:07 得分 0

上面的方法不错呀Top

3 楼xh_zhou（一介夫）回复于 2002-05-08 15:13:08 得分 0

有没有这方面的函数呢？我不想自己写函数来分析html内容，如果自己写函数恐怕很复杂，因为html那么多标签，我必须一个个分析，太麻烦了Top

4 楼worldheart（www.open-v.com）回复于 2002-05-08 15:26:38 得分 10

我建议你看看：

import java.io.*;
import java.nio.*;
import java.nio.channels.*;

public class worldheart {
public static void main(String args[])
throws IOException {

// check command-line arguments

if (args.length != 2) {
System.err.println("missing filenames");
System.exit(1);
}

// get channels

FileInputStream fis =
new FileInputStream(args[0]);
FileOutputStream fos =
new FileOutputStream(args[1]);
FileChannel fcin = fis.getChannel();
FileChannel fcout = fos.getChannel();

// allocate buffer

ByteBuffer buf =
ByteBuffer.allocateDirect(8192);

// do copy

long size = fcin.size();
long n = 0;
while (n < size) {
buf.clear();
if (fcin.read(buf) < 0) {
break;
}
buf.flip();
n += fcout.write(buf);
}

// finish up

fcin.close();
fcout.close();
fis.close();
fos.close();
}
}
Top

5 楼tomxutomxu（shprog）回复于 2002-05-08 15:27:42 得分 0

看来你所说的正文应该是仅仅文字，不含格式的，那样你只要取出所有<>之外的内容就可以了，不要一个一个分析，反正不需要格式。Top

6 楼liqingh（）回复于 2002-05-08 15:31:30 得分 10

看看是不是这个！！！！！！！！！
import java.net.*;
import java.io.*;

public class GetHTML {
public static void main(String args[]){
if (args.length < 1){
System.out.println("USAGE: java GetHTML httpaddress");
System.exit(1);
}
String sURLAddress = new String(args[0]);
URL url = null;
try{
url = new URL(sURLAddress);
}catch(MalformedURLException e){
System.err.println(e.toString());
System.exit(1);
}
try{
InputStream ins = url.openStream();
BufferedReader breader = new BufferedReader(new InputStreamReader(ins));
String info = breader.readLine();
while(info != null){
System.out.println(info);
info = breader.readLine();
}
}
catch(IOException e){
System.err.println(e.toString());
System.exit(1);
}
}
}Top

7 楼xh_zhou（一介夫）回复于 2002-05-08 15:44:54 得分 0

tomxutomxu(shprog) ：你理解的不错，不过你所说的方法行不通，因为文本正文重也可能包括<>
比喻说:
<html>
<body>
<font size="5">
<hello world>
</font >
</body>
</html>
我想获取其中的<hello world>

==============
我想从邮件获取邮件正文，之后分析正文，如果邮件正文是纯文本就很好办，直接分析即可，大有时候用户通过outlook或者web方式发送的很可能是html格式的，所以我必须从html格式中提取有用的纯文本Top

8 楼newman0708（nch）回复于 2002-05-08 15:46:47 得分 10

你用datainputstream，dataoutputstream，
对指定网址的网页进行数据流的访问，思路是肯定可以的。
但是我的机子不行，不能实现。
祝你成功！Top

9 楼xh_zhou（一介夫）回复于 2002-05-08 16:23:26 得分 0

兄弟们，帮帮忙呀！！！！！11Top

10 楼xioyoo（逍遥）回复于 2002-05-08 16:33:17 得分 0

麻烦大了：）Top

11 楼xh_zhou（一介夫）回复于 2002-05-08 16:44:39 得分 0

是呀，仔细想想真的很麻烦呀，不知道那位仁兄有没有好的办法？Top

12 楼wangwenyou（王文友）回复于 2002-05-08 16:47:59 得分 20

不建议你自己处理，最好找个合适的Html解析器
如果需要自己处理，也请使用正则表达式来匹配Top

13 楼wangwenyou（王文友）回复于 2002-05-08 16:58:31 得分 0

其实最简单的处理，就是去除 < > 之中的字符串
但这样简单处理，难免会留下一些你不要的垃圾，扩展一下，应该没问题的Top

14 楼xioyoo（逍遥）回复于 2002-05-08 17:07:09 得分 0

楼上大哥的办法不错啊，
但是又有好多新情况要考虑罗：
for example:
< 6>3>
<我今天买了本<<thinking in java>>!>
~~ ~~Top

15 楼xh_zhou（一介夫）回复于 2002-05-08 17:22:45 得分 0

简单的除去<>之中的内容肯定是不行的，因为规定的纯文本格式中也包括<>，而且我还需要通过<>来识别各个子段，使用html解析器可能可以解决，我查查资料，先谢了，如果谁了解这方面的内容请多多指教Top

16 楼wangwenyou（王文友）回复于 2002-05-08 17:31:24 得分 0

我前几天给人找了一个，很简单，但应该能满足你的需求
http://www.csdn.net/Expert/TopicView1.asp?id=698524Top

17 楼xh_zhou（一介夫）回复于 2002-05-09 13:20:03 得分 0

问题还没有完全解决，欢迎继续提意见，先谢了Top

18 楼jimjxr（宝宝猫）回复于 2002-05-09 16:22:53 得分 0

看看这个http://sourceforge.net/projects/jtidyTop

19 楼skyyoung（路人甲）回复于 2002-05-10 10:13:01 得分 20

你想要HTML parser吗，我这里有个，给你EMAIL我，我寄信给你。
但我没有测试过。Top