HTML je značkovací jazyk pro vytváření nebo navrhování dokumentů, které se mají zobrazovat v prohlížečích. Může obsahovat textové nebo vizuální informace na stránce. V některých případech můžete chtít extrahovat Text z dokumentů HTML. V souladu s takovými případy použití tento článek popisuje, jak extrahovat text z HTML programově v Javě.
HTML Text Extractor – instalace Java API
Aspose.HTML for Java API lze použít k vytvoření, úpravě nebo manipulaci s HTML, MHTML a mnoha dalšími formáty souborů. Jednoduše si stáhněte JAR API ze stránky Stahování nebo jej nainstalujte z Aspose Repository přidáním následujících specifikací do pom.xml.
úložiště:
<repositories>
<repository>
<id>snapshots</id>
<name>repo</name>
<url>http://repository.aspose.com/repo/</url>
</repository>
</repositories>
Závislost:
<dependencies>
<dependency>
<groupId>com.aspose</groupId>
<artifactId>aspose-html</artifactId>
<version>22.7</version>
<classifier>jdk17</classifier>
</dependency>
</dependencies>
Extrahujte text z HTML programově v Javě
Následující kroky ukazují, jak extrahovat text z HTML programově v Javě:
- Získejte zdrojový dokument HTML pomocí třídy HTMLDocument.
- Inicializujte instanci třídy TextSaveOptions.
- Extrahujte text z dokumentu HTML.
Níže uvedený fragment kódu ukazuje, jak extrahovat text z HTML programově v Javě:
// Připravte si HTML kód a uložte jej do souboru
String code = "<span>Hello World!!</span>";
try (java.io.FileWriter fileWriter = new java.io.FileWriter("document.html")) {
fileWriter.write(code);
}
// Inicializujte dokument HTML ze souboru
com.aspose.html.HTMLDocument document = new com.aspose.html.HTMLDocument("document.html");
try {
// Inicializujte objekt třídy TextSaveOptions
com.aspose.html.saving.TextSaveOptions options = new com.aspose.html.saving.TextSaveOptions();
// Převést HTML na text
com.aspose.html.converters.Converter.convertHTML(document, options, "output.txt");
} finally {
if (document != null) {
document.dispose();
}
}
Prozkoumejte Aspose.HTML pro Java
Můžete se podívat do sekce dokumentace a prozkoumat několik dalších funkcí podporovaných rozhraním API.
Závěr
Na závěr jste se naučili, jak extrahovat text z HTML programově v Javě. To vám může pomoci získat informace z webových stránek. Kromě toho v případě, že potřebujete prodiskutovat jakékoli své obavy nebo požadavky, napište nám na fórum.