使用java从e​​xcel文件中的列中删除HTML标签

Question

我正在使用 java 代码从文本文件中删除 HTML 标记。但我的要求是，我想使用 java 访问一个 excel 文件，并从特定列的每一行中删除 HTML 标签。如何使用 javascript 访问 excel 文件以及如何将我的 java 代码（删除 HTML 标记）集成到该文件中......

import java.io.*;
import java.util.logging.Logger;
public class Html2TextWithRegExp {

    private Html2TextWithRegExp() {}

    public static void main (String[] args) throws Exception{
        StringBuilder sb = new StringBuilder();
        BufferedReader br = new BufferedReader(new FileReader("java-new.txt"));
        String line;
        while ( (line=br.readLine()) != null) {
            sb.append(line);
        }
        String nohtml = sb.toString().replaceAll("\\<.*?>","");
        System.out.println(nohtml);
        try(  PrintWriter out = new PrintWriter( "nohtml.txt" )){
            out.println( nohtml );
        }
    }
}

Answer 1

您可以使用jsoup。然后你可以这样做：

String noHTML = Jsoup.parse(sb.toString()).text();

不要使用正则表达式； HTML 不是一种常规语言，您不太可能处理所有必然会出现的特殊情况。

我最近使用这种方法清理了一堆我用于机器学习任务的论坛帖子，并且效果很好。