请教：关于java中 String 与 HTML

Question

我现在做一个项目，我现在可以做到利用URL拿到HTML的源码变成String，然后做分析。
但我取得其中的一部分内容时，里面含有很多HTML标签，有没有什么办法可以把标签删除～鉴于HTML标签有可能很多，所以基本不用replace替换，我记得有个朋友说可以用一个开源项目做到这点，但我不知道是那个开源包，有知道的说句，或者有什么好的解决方法也麻烦告诉一声thx~!

Answer 1

找到了,回帖给分结贴啦http://jerichohtml.sourceforge.net   jar包http://jerichohtml.sourceforge.net/samples/console/src/RenderToText.java我自己测试了一下：import java.net.URL;
import net.htmlparser.jericho.Source;public class RenderToText {
public static void main(String[] args) throws Exception {

String s="谁也不能在这里天长地久<br><br>终究都是要走的人<br><br>只要开心<br><br>没有什么大不了<br><br>祝福楼主：）<br>";

Source source=new Source(s);
String renderedText=source.getRenderer().toString();
System.out.println("\nSimple rendering of the HTML document:\n");
System.out.println(renderedText);
  }
}不过这个对超链接解释有点怪：public class RenderToText {
public static void main(String[] args) throws Exception {

String s="谁也不能在这里天长地久<br><br>终究都是要走的人<br><br>只要开心<br><br>没有什么大不了<br><br>祝福楼主：）<br>" +
"<a href='www.163.com'>fdadaf</a>";

Source source=new Source(s);
String renderedText=source.getRenderer().toString();
System.out.println("\nSimple rendering of the HTML document:\n");
System.out.println(renderedText);
  }
}

Answer 2

之前我写的网络蜘蛛，是通过xml的一个类似正则匹配的技术实现抓取内容的。
好像是java的Transformer吧因为要分类标题 内容 时间  连接等等

Answer 3

 /**
  * 功能：去掉所有的<*>标记,去除html标签
  * 
  * @param content
  * @return
  */
 public String removeTagFromText(String content) {
  Pattern p = null;
  Matcher m = null;
  String value = null;  // 去掉<>标签
  p = Pattern.compile("(<[^>]*>)");
  m = p.matcher(content);
  String temp = content;
  while (m.find()) {
   value = m.group(0);
   temp = temp.replace(value, "");
  }  // 去掉换行或回车符号
  p = Pattern.compile("(\r+|\n+)");
  m = p.matcher(temp);
  while (m.find()) {
   value = m.group(0);
   temp = temp.replace(value, " ");
   // System.out.println("....." + value);
  }  return temp;
 }

Answer 4

lz尝试一下HTMLParser
http://htmlparser.sourceforge.net/