用org.htmlparser包解析html正文内容的实现

在开发内容管理系统时，因信息表的正文字段存储的是带html格式的内容，如果要统计正文的字数，需要首先过滤掉html标签。可使用org.htmlparser很方便地将正文字段的html标签过滤掉，得到只含文字内容的字符串。下面是使用htmlparser获取html正文的代码：

 

  public static String getHtmlText(String htmlContent) throws Exception
  {
       if(htmlContent==null)htmlContent="";
       //增加一个<br/>,经测试，如果正文为纯文本,org.htmlparser会把参数当作一个文件处理
       StringBuffer sbf = new StringBuffer("");
       sbf.append("<br />").append(htmlContent);
       Parser parser = new Parser(sbf.toString());
       TextExtractingVisitor visitor = new TextExtractingVisitor();
       parser.visitAllNodesWith(visitor);
       String sReturn = visitor.getExtractedText();
       sReturn = sReturn.replace(" ", "");//去掉空格以便统计字数
       return sReturn;
  } 

 

    需要特别注意的是，上面的代码中将htmlContent正文增加了<br/>标签后再进行后续处理，为什么？这是因为，如果正文中不带html标签，org.htmlparser包会把传入参数作为一个文件或URL连接处理，经测试，如果传入的字符串不包含html标签，例如传入字符串为“你好”，则抛出文件IO异常，提示找不到文件“你好”，将传入字符串增加一个html标签后就不会出现问题。