Java中如何按指定字符数截取HTML字符串并保留原有格式避免单词中断

核心思路 #

不要自己用正则匹配解析HTML，容错率极低，建议使用成熟的HTML解析库Jsoup完成需求，既能保留原有标签、属性结构，又能精准定位纯文本的截断位置。

步骤1：引入Jsoup依赖 #

如果用Maven管理项目，在pom.xml中添加以下依赖：

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.17.2</version> <!-- 可替换为最新稳定版 -->
</dependency>

步骤2：具体实现逻辑 #

• 先将输入的HTML字符串解析为Jsoup的DOM树对象，所有原有标签、属性都会完整保留
• 遍历DOM的文本节点，累计纯文本的长度，直到累计长度达到设定的n值
• 触发长度阈值后，向前回溯到最近的空白分隔符（空格、制表符、换行等），避免截断在单词内部
• 截断超出的文本内容后，Jsoup会自动补全所有未闭合的标签，保证输出HTML结构合法

示例代码 #

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Node;
import org.jsoup.nodes.TextNode;

public class HtmlTruncator {
    public static String truncateHtml(String html, int maxLength) {
        Document doc = Jsoup.parse(html);
        doc.outputSettings().prettyPrint(false); // 保留原有格式不自动美化
        int[] currentLength = {0};
        boolean[] isTruncated = {false};

        // 递归遍历DOM节点处理
        traverseNode(doc.body(), currentLength, maxLength, isTruncated);
        
        return doc.body().html();
    }

    private static void traverseNode(Node node, int[] currentLength, int maxLength, boolean[] isTruncated) {
        if (isTruncated[0]) {
            node.remove();
            return;
        }
        if (node instanceof TextNode) {
            TextNode textNode = (TextNode) node;
            String text = textNode.text();
            int remaining = maxLength - currentLength[0];
            if (text.length() <= remaining) {
                currentLength[0] += text.length();
                return;
            }
            // 找到最近的空白位置截断，避免拆分单词
            int cutIndex = text.lastIndexOf(' ', remaining);
            if (cutIndex == -1) {
                cutIndex = remaining; // 如果剩余部分没有空格直接截断
            }
            textNode.text(text.substring(0, cutIndex) + " ");
            currentLength[0] += cutIndex;
            isTruncated[0] = true;
            return;
        }
        // 遍历子节点
        for (int i = 0; i < node.childNodes().size(); ) {
            Node child = node.childNode(i);
            traverseNode(child, currentLength, maxLength, isTruncated);
            if (!isTruncated[0]) {
                i++;
            } else {
                // 截断后删除后面所有子节点
                for (int j = i + 1; j < node.childNodes().size(); j++) {
                    node.childNode(j).remove();
                }
                break;
            }
        }
    }

    public static void main(String[] args) {
        String inputHtml = "<p><strong id=\"faq_q1\">Q. What is the basic difference between Bachelor of Technology and Bachelor of Engineering?</strong></p>";
        int n = 20;
        String result = truncateHtml(inputHtml, n);
        System.out.println(result);
        // 输出结果和题目示例完全一致：<p><strong id="faq_q1">Q. What is the basic </strong></p>
    }
}

注意事项 #

• 如果需要处理中文、中日韩等无空格分隔的文本，可以调整截断逻辑，改为按语义或者直接按字符数截断即可
• Jsoup的parse方法默认会补全缺失的HTML根标签，如果需要完全保留输入的原始结构，可以使用Parser.parseFragment()方法解析HTML片段

内容的提问来源于stack exchange，提问作者xerxes01