如何使用ParserDelegator忽略HTML/XML文件head部分仅提取body内容

你只需要给ParserCallback新增一个是否处于body区间的状态标记，调整文本收集的触发条件即可，修改后的完整代码如下：

import javax.swing.text.MutableAttributeSet;
import javax.swing.text.html.HTML;
import javax.swing.text.html.HTMLEditorKit;
import javax.swing.text.html.parser.ParserDelegator;
import java.io.FileReader;
import java.io.IOException;
import java.io.Reader;
import java.util.ArrayList;
import java.util.List;

public class BodyHtml {
    public static List<String> extractText(Reader reader) throws IOException {
        final ArrayList<String> list = new ArrayList<>();
        ParserDelegator parserDelegator = new ParserDelegator();
        HTMLEditorKit.ParserCallback parserCallback = new HTMLEditorKit.ParserCallback() {
            // 新增状态标记：当前是否在body标签内
            private boolean isInBody = false;

            @Override
            public void handleText(final char[] data, final int pos) {
                // 仅当处于body范围内时才收集文本
                if (isInBody) {
                    list.add(new String(data));
                }
            }

            @Override
            public void handleStartTag(HTML.Tag tag, MutableAttributeSet attribute, int pos) {
                // 遇到body起始标签，标记状态为true
                if (tag == HTML.Tag.BODY) {
                    isInBody = true;
                }
            }

            @Override
            public void handleEndTag(HTML.Tag t, final int pos) {
                // 遇到body结束标签，标记状态为false
                if (t == HTML.Tag.BODY) {
                    isInBody = false;
                }
            }

            @Override
            public void handleSimpleTag(HTML.Tag t, MutableAttributeSet a, final int pos) {
            }

            @Override
            public void handleComment(final char[] data, final int pos) {
            }

            @Override
            public void handleError(final java.lang.String errMsg, final int pos) {
            }
        };
        parserDelegator.parse(reader, parserCallback, true);
        return list;
    }

    public final static void main(String[] args) throws Exception{
        FileReader reader = new FileReader("test.xhtml");
        List<String> lines = BodyHtml.extractText(reader);
        for (String line : lines) {
            if(line != null && !line.trim().isEmpty())
            {
                System.out.println(line.trim());
            }
        }
    }
}

• 新增的isInBody变量会在解析到<body>开头时激活，解析到</body>结尾时关闭
• 只有激活状态下的文本内容会被收集，自动忽略head、script、style等body外所有标签的内容
• ParserDelegator本身兼容HTML/XHTML的标签大小写识别，不需要额外处理标签大小写问题

内容的提问来源于stack exchange，提问作者archita