如何使用HtmlUnit从网页中提取没有HTML标签的文本？

我刚刚开始使用HTMLUnit，我正在做的是采取一个网页，并从中提取出原始文本减去所有的HTML标记。如何使用HtmlUnit从网页中提取没有HTML标签的文本？

htmlunit能完成吗？如果是这样，怎么样？还是有我应该看的另一个图书馆？

例如，如果页面包含

<body><p>para1 test info</p><div><p>more stuff here</p></div>

我想它想输出

para1 test info more stuff here

感谢

来源

2010-07-07 James

http://htmlunit.sourceforge.net/gettingStarted.html表示这确实是可能的。

@Test 
public void homePage() throws Exception { 
    final WebClient webClient = new WebClient(); 
    final HtmlPage page = webClient.getPage("http://htmlunit.sourceforge.net"); 
    assertEquals("HtmlUnit - Welcome to HtmlUnit", page.getTitleText()); 

    final String pageAsXml = page.asXml(); 
    assertTrue(pageAsXml.contains("<body class=\"composite\">")); 

    final String pageAsText = page.asText(); 
    assertTrue(pageAsText.contains("Support for the HTTP and HTTPS protocols")); 
}

NB：的page.asText（）命令似乎提供正是你所追求的。

Javadoc for asText（继承自れ到HtmlPage）

来源

2010-07-07 05:15:10 Syntax

反正与htmlclient库做到这一点？ – James 2010-07-07 18:45:05

看起来可能（我假设你指的是Apache HttpClient） - http://svn.apache.org/viewvc/httpcomponents/oac.hc3x/trunk/src/examples/TrivialApp.java?view=markup – Syntax 2010-07-08 01:57:51

如何使用HtmlUnit从网页中提取没有HTML标签的文本？

回答

相关问题