Det här enkla ämnet handlar om hur man konverterar HTML till text i Java. I Java HTML till vanlig text kan konverteringsapplikationer som körs under Windows, Linux eller macOS-plattformar utvecklas med enkla och enkla API-gränssnitt.
Steg för att konvertera HTML till text i Java
- Konfigurera ditt projekt för att lägga till Aspose.HTML for Java från Maven-förvaret
- Inkludera hänvisningen till namnområdet Aspose.HTML i din applikation
- Läs källinnehållet i HMTL-filen med String-objekt
- Initiera objektet HTMLDocument class för att läsa in HTML-källsträngen
- Initiera INodeIterator-klassobjektet för att iterera noder och lägg till i StringBuilder
- Spara den extraherade texten från HTML på disken
För att extrahera text från HTML kan Java-baserad applikation med några rader kod användas. Vi kommer att initiera processen genom att ladda käll-HTML i ett String-objekt och sedan ladda den strängen med HTMLDocument class. Vi kommer sedan att använda INodeIterator för att extrahera, korsa och lägga till HMTL-noderna till en StringBuilder. Slutligen kommer StringBuilder att sparas som vanlig textfil på disken.
Kod för att konvertera HTML till text i 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); | |
| } | |
| } |
Ovanstående exempel i Java konverterar HTML till vanlig text i några få API-anrop. Vi har skapat StyleFilter class som utökar NodeFilter class och implementerar AcceptNode metoden för att ställa in kundnodfiltren och utelämna oönskade noder från HTML under konverteringsprocessen.
I det här ämnet har vi utforskat hur man extraherar text från HTML i Java. Om du är intresserad av konvertering av MD-fil till XPS-format, fortsätt till ämnet hur man konvertera Markdown till XPS med Java.
