Java代码实现从HTML文件中提取纯文本内容
在 Java 数据处理、文本清洗、内容解析等开发场景中，从 HTML 文件中剔除标签、样式、脚本等冗余格式，提取核心纯文本是高频需求。实现该需求的技术方案较多，本文将分享一种轻量、简洁的实现方式：使用 Free Spire.Doc for Java 库完成 HTML 纯文本提取，为开发者提供直接可复用的解决方案。
一、实现原理
Free Spire.Doc for Java 是一款免费库，其核心设计围绕 Word 文档的段落、节、表格等元素展开。当调用 loadFromFile 方法并指定 FileFormat.Html 时，库内部会将 HTML 标签、样式和文本映射到自己的文档对象模型中。随后调用 getText() 方法，库会遍历文档树，将所有文本节点的内容拼接并返回，同时过滤掉 HTML 标签和大部分脚本/样式内容。这种方式本质上是一种“将 HTML 解析为富文本再提取纯文本”的桥接方案。
二、环境准备
添加依赖：在项目的 pom.xml 中添加仓库地址与依赖坐标：
<!-- 仓库配置 -->
<repositories>
<repository>
<id>com.e-iceblue</id>
<name>e-iceblue</name>
<url>https://repo.e-iceblue.com/nexus/content/groups/public/</url>
</repository>
</repositories>
<!-- 核心依赖 -->
<dependency>
<groupId>e-iceblue</groupId>
<artifactId>spire.doc.free</artifactId>
<version>14.3.1</version>
</dependency>如果使用 Gradle：
implementation 'e-iceblue:spire.doc.free:14.3.1@jar'
或者手动下载 JAR 文件并添加到 classpath。
准备 HTML 文件：例如 Sample.html，包含任意结构的内容。
三、代码实现
下面是一个完整的示例，展示如何读取 HTML 文件、提取文本并保存为 TXT 文件。
import com.spire.doc.Document;
import com.spire.doc.FileFormat;
import java.io.FileWriter;
import java.io.IOException;
public class ExtractTextFromHTML {
public static void main(String[] args) {
// 1. 创建 Document 对象
Document doc = new Document();
// 2. 加载 HTML 文件（指定格式为 Html）
doc.loadFromFile("Sample.html", FileFormat.Html);
// 3. 获取提取的纯文本
String text = doc.getText();
// 4. 将文本写入输出文件
try (FileWriter fileWriter = new FileWriter("HTMLText.txt")) {
fileWriter.write(text);
System.out.println("文本提取完成，已保存至 HTMLText.txt");
} catch (IOException e) {
System.err.println("写入文件失败：" + e.getMessage());
}
}
}
代码说明
- 第 1 步：实例化
Document类，这是 Free Spire.Doc 的核心入口，用于承载文档内容。 - 第 2 步：
loadFromFile方法有两个参数：文件路径和文件格式。FileFormat.Html告诉库按 HTML 方式解析输入。 - 第 3 步：
getText()返回文档中所有文本内容的字符串表示，换行符和空格按内部规则保留，但 HTML 标签被完全剥离。 - 第 4 步：使用 try-with-resources 语法安全地写入 TXT 文件。
四、注意事项与局限性
1. 文本布局简化
getText() 返回的文本不保证保留原始 HTML 中的表格结构、缩进或列表符号。对于需要保持格式的提取任务（如表格转 CSV），此方法可能不适用。
2. 对 JavaScript 和 CSS 的处理
库在加载 HTML 时会忽略 <script> 和 <style> 标签内的内容，但部分内联样式或事件属性可能残留于文本？实际测试表明，getText() 基本只提取可见文本节点，不会输出脚本或样式代码，比较干净。
3. 免费版适用场景
免费版本支持轻量级 HTML 文本提取，有页数限制仅满足中小型项目、个人开发的基础需求；复杂文档处理场景可根据业务选型其他方案。
五、方法补充
在 Java 中从 HTML 文件中提取纯文本内容，最常用、最可靠的方法是使用 Jsoup 库。它能够解析 HTML 文档，并提供了便捷的 API 来获取文本内容，同时还能正确处理标签、实体和嵌套结构。
1.使用 Jsoup（推荐）
添加依赖
Maven：
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.18.3</version> <!-- 2026年最新版本 -->
</dependency>Gradle：
implementation 'org.jsoup:jsoup:1.18.3'
从 HTML 文件提取纯文本
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import java.io.File;
import java.io.IOException;
public class HtmlToText {
public static void main(String[] args) {
try {
// 加载 HTML 文件
File input = new File("example.html");
Document doc = Jsoup.parse(input, "UTF-8");
// 提取纯文本（保留换行和基本格式）
String plainText = doc.text();
System.out.println(plainText);
} catch (IOException e) {
e.printStackTrace();
}
}
}保留段落和换行格式
doc.text() 会返回所有文本，但会合并空白。若想保留段落结构，可以使用 doc.body().text() 或自定义处理：
// 获取 body 内的文本
String bodyText = doc.body().text();
// 更精细的控制：提取每个块元素并添加换行
StringBuilder sb = new StringBuilder();
doc.body().getAllElements().forEach(element -> {
if (element.isBlock()) {
String txt = element.ownText();
if (!txt.isEmpty()) {
sb.append(txt).append("\n");
}
}
});
System.out.println(sb.toString());从 URL 或字符串中提取
// 从 URL 读取
Document doc = Jsoup.connect("https://example.com").get();
String text = doc.text();
// 从 HTML 字符串读取
String html = "<html><body><p>Hello, world!</p></body></html>";
Document doc2 = Jsoup.parse(html);
String text2 = doc2.text();2.使用正则表达式（不推荐，仅作备选）
正则表达式处理 HTML 容易出错，尤其对于复杂的嵌套结构。简单场景可临时使用：
public static String htmlToTextRegex(String html) {
// 移除 <script> 和 <style> 内容
String noScript = html.replaceAll("(?i)<script[^>]*>.*?</script>", "")
.replaceAll("(?i)<style[^>]*>.*?</style>", "");
// 移除所有 HTML 标签
String noTags = noScript.replaceAll("<[^>]+>", "");
// 解码 HTML 实体（如 -> 空格）
String unescaped = org.apache.commons.text.StringEscapeUtils.unescapeHtml4(noTags);
// 合并空白
return unescaped.replaceAll("\\s+", " ").trim();
}需要额外添加 Apache Commons Text 依赖：
<dependency>
<groupId>org.apache.commons</groupId>
<artifactId>commons-text</artifactId>
<version>1.12.0</version>
</dependency>缺陷：无法正确处理嵌套标签、CDATA、注释等复杂结构，且可能误删标签内的合法文本。
3.其他备选方案
HTML Cleaner
import org.htmlcleaner.HtmlCleaner;
import org.htmlcleaner.CleanerProperties;
HtmlCleaner cleaner = new HtmlCleaner();
CleanerProperties props = cleaner.getProperties();
// 配置...
TagNode node = cleaner.clean(new File("example.html"));
String text = node.getText().toString();Apache Tika
适合需要从多种文档格式（HTML, PDF, Word 等）中提取文本的场景。
<dependency>
<groupId>org.apache.tika</groupId>
<artifactId>tika-core</artifactId>
<version>2.9.0</version>
</dependency>import org.apache.tika.Tika;
import java.io.File;
Tika tika = new Tika();
String text = tika.parseToString(new File("example.html"));六、总结
本文提供了实现 HTML 文件纯文本快速提取的简单方案，核心代码仅数行，无需手动编写 HTML 标签解析逻辑，大幅降低开发成本。 该方案的核心优势：
- 开箱即用，无复杂配置；
- 自动过滤 HTML 冗余格式，纯文本提取精准；
- 免费版无授权成本，适合轻量级业务场景。
开发者可直接复用代码，并根据自身需求封装为工具类，适配批量 HTML 文件处理等扩展场景。
到此这篇关于Java代码实现从HTML文件中提取纯文本内容的文章就介绍到这了,更多相关Java提取HTML纯文本内容内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
这篇文章主要介绍了用拦截器修改返回response,对特定的返回进行修改操作。具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-09-09
日志是应用软件中不可缺少的部分，Apache的开源项目log4j是一个功能强大的日志组件,提供方便的日志记录。在apache网站：jakarta.apache.org/log4j 可以免费下载到Log4j最新版本的软件包2015-11-11
这篇文章主要介绍了如何使用JAVA调用SHELL，文中讲解非常细致，代码帮助大家更好的理解和学习，感兴趣的朋友可以了解下2020-06-06
拉卡拉支付SDK是一个面向Java开发者的支付解决方案,其设计目的是为了帮助开发者在Java环境中轻松集成拉卡拉的支付功能,这篇文章主要介绍了Java对接拉卡拉支付的相关资料,需要的朋友可以参考下2026-03-03
这篇文章主要介绍了Java学生信息类继承与接口的原理及使用方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教2024-02-02
Java内存缓存工具Guava LoadingCache使用解析
这篇文章主要介绍了Java内存缓存工具Guava LoadingCache使用解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-01-01
@NotEmpty、@NotBlank、@NotNull的区别
这篇文章主要介绍了@NotEmpty、@NotBlank、@NotNull的区别,需要的朋友可以参考下2016-09-09
在 Java 开发中,字符串操作是日常开发高频场景,Google 开源的 Guava 库为字符串操作提供了一套简洁、高效且功能丰富的工具集,本文将深入解析 Guava 中核心的字符串操作 API,结合场景讲解其用法与优势,希望对大家有所帮助2026-04-04
MapStruct是一个强大的Java映射框架,它能够在编译时生成映射代码,,本文主要介绍了Java中MapStruct映射处理器报错的问题解决,具有一定的参考价值,感兴趣的可以了解一下2024-03-03
2010以上格式使用XSSFWorkBook对象, 2003格式使用HSSFWorkBook对象, 其他对象操作基本一样，本文重点给大家介绍java使用poi生成excel的相关知识，感兴趣的朋友一起看看吧2022-04-04
最新评论