建站
咨詢
售后
建站咨詢
新聞中心
大家好，我是指北君。
創(chuàng)新互聯(lián)建站服務(wù)項目包括花溪網(wǎng)站建設(shè)、花溪網(wǎng)站制作、花溪網(wǎng)頁制作以及花溪網(wǎng)絡(luò)營銷策劃等。多年來，我們專注于互聯(lián)網(wǎng)行業(yè)，利用自身積累的技術(shù)優(yōu)勢、行業(yè)經(jīng)驗、深度合作伙伴關(guān)系等，向廣大中小型企業(yè)、政府機構(gòu)等提供互聯(lián)網(wǎng)行業(yè)的解決方案，花溪網(wǎng)站推廣取得了明顯的社會效益與經(jīng)濟效益。目前，我們服務(wù)的客戶以成都為中心已經(jīng)輻射到花溪省份的部分城市，未來相信會繼續(xù)擴大服務(wù)區(qū)域并繼續(xù)獲得客戶的支持與信任！
在我平時的工作中，偶爾會用 Java 做一些解析HTML的工作。有的時候我需要刪除所有的HTML標簽，只保留純文字內(nèi)容。這個問題在做過一些爬蟲工作的朋友來說很簡單。下面來說說，我們平時使用到的集中解析的方法。
使用正則表達式
通過爬蟲爬到的HTML內(nèi)容，從程序角度來講，就是一個字符串。我們可以對其按照純文本處理的方式來處理。
我們在做文本處理的時候，第一個想到的就是正則表達式。從一個字符串中刪除HTML，對于正則來說，還是比較簡單的。畢竟還是有固定的格式，比如“<...>”。
我們常用的的正則就是 <[^>]>? 或者 <.*?> 。
我們在使用正則的時候，需要注意的是正則默認是貪婪匹配。也就是說，正則表達式 <.*> 能夠匹配到更多的HTML內(nèi)容，而不是單個標簽。
現(xiàn)在，讓我們測試一下它是否能從HTML源中刪除標簽。
正則測試刪除標簽1
在我們測試刪除HTML標簽之前，首先讓我們創(chuàng)建一個HTML例子，例如example1.html。
這是標題
如果應(yīng)用程序X沒有啟動，可能的原因是
1. Maven沒有安裝
2. 磁盤空間不足
3. 內(nèi)存不足
現(xiàn)在，讓我們寫一個測試，用String.replaceAll()來刪除HTML標簽。
String html = ... // load example1.html
String result = html.replaceAll("<[^>]`>", "");
System.out.println(result);
如果我們運行這個測試方法，我們會看到結(jié)果。
這是標題
如果應(yīng)用程序X沒有啟動，可能的原因是
1.Maven沒有安裝
2.磁盤空間不足
3.沒有足夠的內(nèi)存
輸出結(jié)果保留了剝離后的HTML的空白處。我們在處理提取的文本時，可以很容易地刪除或跳過這些空行或空白處。
正則測試刪除標簽2
我們剛才已經(jīng)看到了，通過使用Regex來刪除HTML標簽是非常簡單。但是粗暴的使用這種方法會有很多問題，我們不能預(yù)測最終的結(jié)果會是怎么樣的。
例如，一個HTML文檔可能有
如果應(yīng)用程序X沒有啟動，可能的原因是
1.
href="http://maven.apache.org/">
Maven
沒有安裝
2. 磁盤空間不足 (<1G)
3. 內(nèi)存不足(<64MB)