Este tópico simples é sobre como converter HTML em texto em Java. Em Java HTML para texto simples, o aplicativo de conversão executado em plataformas Windows, Linux ou macOS pode ser desenvolvido usando interfaces API simples e fáceis.
Etapas para converter HTML em texto em Java
- Configure seu projeto para adicionar Aspose.HTML for Java do repositório Maven
- Inclua a referência ao namespace Aspose.HTML em seu aplicativo
- Leia o conteúdo do arquivo HTML de origem usando o objeto String
- Inicialize o objeto HTMLDocument class para carregar a string HTML de origem
- Inicialize o objeto de classe INodeIterator para iterar nós e anexar em StringBuilder
- Salve o texto extraído do HTML no disco
A fim de extrair texto de um aplicativo baseado em HTML Java usando poucas linhas de código pode ser usado. Iniciaremos o processo carregando o HTML de origem em um objeto String e, posteriormente, carregando esse String usando a classe HTMLDocument. Em seguida, usaremos INodeIterator para extrair, percorrer e anexar os nós HMTL a um StringBuilder. Finalmente, o StringBuilder será salvo como arquivo de texto simples no disco.
Código para converter HTML em texto em Java
| import com.aspose.html.HTMLDocument; | |
| import com.aspose.html.License; | |
| import com.aspose.html.dom.Node; | |
| import com.aspose.html.dom.traversal.INodeIterator; | |
| import com.aspose.html.dom.traversal.filters.NodeFilter; | |
| import java.nio.file.Paths; | |
| import java.nio.file.Files; | |
| import java.io.IOException; | |
| import java.nio.charset.Charset; | |
| import java.nio.charset.StandardCharsets; | |
| import java.util.stream.Collectors; | |
| public class HtmlToTextCoverter { | |
| public static void main(String[] argsHTMLFile) throws Exception { | |
| // Setting Aspose.Html Java API license to use complete features | |
| License lic = new License(); | |
| lic.setLicense("HTML.Total.Java.lic"); | |
| // Read the HTML file in String | |
| String content = null; | |
| try { | |
| content = readFileContent("TestFile.html", StandardCharsets.UTF_8); | |
| } catch (IOException exception) { | |
| exception.printStackTrace(); | |
| return; | |
| } | |
| // Instantiate HtmlDocument object to load HTML content in String | |
| HTMLDocument document = new HTMLDocument(content, ""); | |
| // Initialize INodeIterator instance iterate HTML nodes | |
| INodeIterator iterator = document.createNodeIterator(document, NodeFilter.SHOW_TEXT, new StyleFilter()); | |
| StringBuilder Stringbld = new StringBuilder(); | |
| // Temp Node object | |
| Node node; | |
| // Iterate through Nodes | |
| while ((node = iterator.nextNode()) != null) | |
| Stringbld.append(node.getNodeValue()); | |
| System.out.println(Stringbld.toString()); | |
| Files.write(Paths.get("HtmlToText_Java.txt"), Stringbld.toString().getBytes()); | |
| } | |
| public static String readFileContent(String filePath, Charset encoding) throws IOException { | |
| String fileContent = Files.lines(Paths.get(filePath), encoding) | |
| .collect(Collectors.joining(System.lineSeparator())); | |
| return fileContent; | |
| } | |
| } | |
| class StyleFilter extends NodeFilter { | |
| @Override | |
| public short acceptNode(Node node) { | |
| // In order to skip an element while fetching nodes, mention the name of element in upper case letters | |
| return (node.getParentElement().getTagName() == "STYLE" || node.getParentElement().getTagName() == "SCRIPT" | |
| ? FILTER_REJECT : FILTER_ACCEPT); | |
| } | |
| } |
O exemplo acima em Java converte HTML em texto simples em algumas chamadas de API. Criamos a classe StyleFilter que estende a classe NodeFilter e implementamos o método AcceptNode para definir os filtros de nós do cliente e omitir os nós indesejáveis do HTML durante o processo de conversão.
Neste tópico, exploramos como extrair texto de HTML em Java. Se você estiver interessado na conversão do arquivo MD para o formato XPS, vá para o tópico como converter Markdown para XPS usando Java.
