使用Jsoup工具包去掉文本的html标签

前两天遇到这样一个问题:由于前端要展示带样式的字体,所以数据库中存的数据是带有html标签的,但是这还有一个导出word的功能,而导出word的时候就不需要样式,导出文本即可,所以需要一个可以去除html标签的方法.百度过后基本上都是自定义正则,但是自定义的难免会有考虑不全的问题,所以最好是有一个成熟的工具包,Jsoup就派上用场了，Jsoup是一款Java 的HTML解析器，可以对HTML进行解析。

引入依赖

1.  
   <dependency>
2.  
   <groupId>org.jsoup</groupId>
3.  
   <artifactId>jsoup</artifactId>
4.  
   <version>1.15.3</version>
5.  
   </dependency>

去除html标签方法

1.  
   public String getTextFromHTML(String htmlStr) {
2.  
   Document doc = Jsoup.parse(htmlStr);
3.  
   String text = doc.text();
4.  
   //删除多余的空白
5.  
   StringBuilder builder = new StringBuilder(text);
6.  
   int index = 0;
7.  
   while(builder.length()>index){
8.  
   char tmp = builder.charAt(index);
9.  
   if(Character.isSpaceChar(tmp) || Character.isWhitespace(tmp)){
10.  
    builder.setCharAt(index, ' ');
11.  
    }
12.  
    index ;
13.  
    }
14.  
    text = builder.toString().replaceAll(" ", " ").trim();
15.  
    return text;
16.  
    }

测试

1.  
   public static void main(String[] args) {
2.  
   String htmlStr = "<p><span style=\"font-family: 'Arial Black';font-size: 16pt\">测试字体</span> </p>\n"
3.  
   "<p><span style=\"font-family: 'Arial Black';font-size: 16pt\">测试字体</span> </p>\n"
4.  
   "<p><span style=\"font-family: 'Arial Black';font-size: 16pt\">测试字体</span> </p>";
5.  
   String textFromTHML = getTextFromTHML(htmlStr);
6.  
   System.out.println("去除后的效果");
7.  
   System.out.println(textFromTHML);
8.  
   }

 结果

1.  
   Connected to the target VM, address: '127.0.0.1:53720', transport: 'socket'
2.  
   去除后的效果
3.  
   测试字体 测试字体 测试字体
4.  
   Disconnected from the target VM, address: '127.0.0.1:53720', transport: 'socket'

可以看到导出后是一行,这个不用担心,导出word后其实还是换行的

这篇好文章是转载于：学新通技术网