如何在Java中提取网站HTML中的纯文本？我已实现HTML代码获取

嘿，既然已经搞定HTML代码的获取了，那提取纯文本就不是啥难事啦！下面给你几个主流编程语言的实用方案，都是我在实际项目里验证过的，靠谱得很：

Python生态里处理HTML文本提取，BeautifulSoup绝对是首选工具，简单直观还能处理各种奇葩HTML结构。

首先得先安装依赖：

pip install beautifulsoup4

然后写代码就行，它会自动帮你过滤掉script、style这类不需要的标签，提取出页面的有效文本：

from bs4 import BeautifulSoup

# 假设你已经拿到的HTML存在这个变量里
html_content = "<html><body><h1>Hello World</h1><p>This is a <b>test</b> paragraph.</p></body></html>"

soup = BeautifulSoup(html_content, "html.parser")
# 提取纯文本，strip=True可以自动去除多余的空格和换行
plain_text = soup.get_text(strip=True, separator=" ")

print(plain_text)
# 输出: Hello World This is a test paragraph.

如果需要更精细的控制（比如保留某些标签的换行逻辑），可以先手动移除不需要的标签再提取：

# 先删除script和style标签
for script in soup(["script", "style"]):
    script.decompose()

# 再提取文本，保留自然换行
plain_text = "\n".join([line.strip() for line in soup.stripped_strings])

如果是在浏览器端处理，直接用原生的DOMParser就行，不用额外装库：

// 假设htmlContent是你获取到的HTML字符串
const htmlContent = "<html><body><h1>Hello World</h1><p>This is a <b>test</b> paragraph.</p></body></html>";

const parser = new DOMParser();
const doc = parser.parseFromString(htmlContent, "text/html");
const plainText = doc.body.textContent.trim();

console.log(plainText);
// 输出: Hello World This is a test paragraph.

如果是Node.js环境，推荐用cheerio（相当于Node版的jQuery），安装后用法很类似：

npm install cheerio

const cheerio = require("cheerio");

const htmlContent = "<html><body><h1>Hello World</h1><p>This is a <b>test</b> paragraph.</p></body></html>";
const $ = cheerio.load(htmlContent);

// 提取纯文本
const plainText = $("body").text().trim();
console.log(plainText);

Java里处理HTML文本，Jsoup是业界标准，功能强大且易用。先引入依赖（Maven为例）：

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.17.2</version>
</dependency>

然后写代码：

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

public class HtmlToText {
    public static void main(String[] args) {
        String htmlContent = "<html><body><h1>Hello World</h1><p>This is a <b>test</b> paragraph.</p></body></html>";
        Document doc = Jsoup.parse(htmlContent);
        String plainText = doc.text();
        
        System.out.println(plainText);
        // 输出: Hello World This is a test paragraph.
    }
}

小提示 #

不管用哪种方案，这些库都会自动忽略HTML标签、注释以及script/style里的代码，提取页面的可见文本。如果需要处理特殊的HTML结构（比如自定义标签、嵌套很深的内容），可以针对性地调整选择器或者过滤逻辑，灵活得很！

内容的提问来源于stack exchange，提问作者BHughes