Java提取HTML文本内容

在网络爬虫、数据分析和文本处理等领域，我们经常会遇到需要从HTML文本中提取有用信息的场景。Java提供了多种方式来处理HTML文本，本文将介绍一种常用的方法，并提供相应的代码示例。

使用Jsoup库

[Jsoup]( HTML解析器，它提供了一套简单、灵活且易于使用的API，可以方便地从HTML文本中提取数据。

1. 添加依赖

首先，我们需要在项目中添加Jsoup的依赖。可以将以下代码添加到pom.xml文件中（如果使用Maven构建项目）：

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.13.1</version>
</dependency>

如果你使用的是其他构建工具，可以参考Jsoup的官方文档进行添加。

2. 提取文本内容

使用Jsoup提取HTML文本内容非常简单。下面是一个示例，假设我们要提取一个网页中所有的标题：

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class HtmlParser {
    public static void main(String[] args) {
        String html = "<html><head><title>网页标题</title></head><body>文章标题<p>文章内容</p></body></html>";
        
        Document doc = Jsoup.parse(html);
        Elements titles = doc.select("h1");
        
        for (Element title : titles) {
            System.out.println(title.text());
        }
    }
}

上述代码中，我们首先将HTML文本传递给Jsoup.parse()方法，将其解析为一个Document对象。然后，我们使用CSS选择器来选择所有的标题元素，通过doc.select()方法返回一个包含这些元素的Elements对象。最后，我们可以遍历这个对象，并使用title.text()方法获取标题的文本内容。

3. 提取链接

除了提取文本内容，Jsoup还可以方便地提取HTML文本中的链接。下面是一个示例，假设我们要提取一个网页中所有的链接地址：

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class HtmlParser {
    public static void main(String[] args) {
        String html = "<html><body><a href=\" href=\"
        
        Document doc = Jsoup.parse(html);
        Elements links = doc.select("a[href]");
        
        for (Element link : links) {
            System.out.println(link.attr("href"));
        }
    }
}

在上述代码中，我们使用doc.select("a[href]")选择所有包含href属性的a元素。然后，通过link.attr("href")方法获取链接地址。

总结

本文介绍了使用Java提取HTML文本内容的方法，并提供了使用Jsoup库的代码示例。通过Jsoup的简洁API，我们可以方便地从HTML文本中提取文本内容和链接地址，为后续的数据处理提供了便利。希望本文能对你有所帮助。