从 html 获取原始文本答案

【问题标题】：Get raw text from html从 html 获取原始文本
【发布时间】：2012-03-18 09:13:30
【问题描述】：

我的 Android 开发水平相当基础。

我想从诸如“http://www.google.com”之类的页面获取文本。（我将使用的页面只有文字，所以没有图片或类似的东西）所以，要明确一点：我想将页面上的文本写入我的应用程序中的字符串等。

我试过这段代码，但我什至不确定它是否符合我的要求。

URL url = new URL(/*"http://www.google.com");
URLConnection connection = url.openConnection();
// Get the response     
BufferedReader rd = new BufferedReader(new InputStreamReader(connection.getInputStream()));
String line = "";

无论如何，我无法从中获取任何文本。我该怎么做？

【问题讨论】：

我不明白...你需要调用 rd.readLine() 或类似的东西。
How to get the html-source of a page from a html link in android? 的可能重复项

标签： java android html

【解决方案1】：

从您提供的示例代码中，您甚至没有读取请求的响应。我将使用以下代码获取 html

URL u = new URL("http://www.google.com");
URLConnection conn = u.openConnection();
BufferedReader in = new BufferedReader(
                        new InputStreamReader(
                            conn.getInputStream()));
StringBuffer buffer = new StringBuffer();
String inputLine;
while ((inputLine = in.readLine()) != null) 
    buffer.append(inputLine);
in.close();
System.out.println(buffer.toString());

如果您只需要文本，则需要从那里将字符串传递给某种 html 解析器。据我所知，JTidy 将是一个很好的库，但是我从未使用过任何 Java html 解析库。

【讨论】：

【解决方案2】：

这是一种方法：

public String scrape(String urlString) throws Exception {
   URL url = new URL(urlString);
   URLConnection connection = url.openConnection();
   BufferedReader reader = new BufferedReader(new InputStreamReader(
         connection.getInputStream()));
   String line = null, data = "";

   while ((line = reader.readLine()) != null) {
      data += line + "\n";
   }

   return data;
}

Here is another.

【讨论】：

【解决方案3】：

您想从 HTML 文件中提取文本？您可以使用专门的工具，例如 Jericho HTML parser 库。我不确定它是否可以直接在 Android 应用程序中使用，它很大，但它是开源的，因此您可以使用它的代码并只获取您的任务所需的内容。

【讨论】：