Java把Html格式文本转换成纯文本的问题

工作上需要把一段html内容转换成纯文本。

最简单的办法，是用正则表达式把全部的标签替换成空字符串，然后把被转义的内容（尖括号，空格等）转回来。这里用到了StringEscapeUtils，来自Apache Commons Lang library (commons-lang3-3.0.1.jar)

	str = str.replaceAll("\\<.*?\\>","");
	str = StringEscapeUtils.unescapeHtml(str);

上面的方法有点儿简单粗暴。

稍微高级点儿的做法，保留换行。代码如下：

	public static String toPlainText(final String html)
	{
		if (html == null)
		{
			return "";
		}

		final Document document = Jsoup.parse(html);
		final OutputSettings outputSettings = new Document.OutputSettings().prettyPrint(false);
		document.outputSettings(outputSettings);
		document.select("br").append("\\n");
		document.select("p").prepend("\\n");
		document.select("p").append("\\n");
		final String newHtml = document.html().replaceAll("\\\\n", "\n");
		final String plainText = Jsoup.clean(newHtml, "", Whitelist.none(), outputSettings);
		final String result = StringEscapeUtils.unescapeHtml(plainText.trim());
		return result;
	}

这里用到了开源html库，从这里下载。 Jsoup