使用 Java 提取 HTML 文件中的纯文本内容

、实现原理

Free Spire.Doc for Java 是一款免费库，其核心设计围绕 Word 文档的段落、节、表格等元素展开。当调用loadFromFile方法并指定FileFormat.Html时，库内部会将 HTML 标签、样式和文本映射到自己的文档对象模型中。

随后调用getText()方法，库会遍历文档树，将所有文本节点的内容拼接并返回，同时过滤掉 HTML 标签和大部分脚本/样式内容。这种方式本质上是一种“将 HTML 解析为富文本再提取纯文本”的桥接方案。

二、环境准备

添加依赖：在项目的pom.xml中添加仓库地址与依赖坐标：

<!-- 仓库配置 --> <repositories> <repository> <id>com.e-iceblue</id> <name>e-iceblue</name> <url>https://repo.e-iceblue.com/nexus/content/groups/public/</url> </repository> </repositories> <!-- 核心依赖 --> <dependency> <groupId>e-iceblue</groupId> <artifactId>spire.doc.free</artifactId> <version>14.3.1</version> </dependency>

如果使用 Gradle：

implementation 'e-iceblue:spire.doc.free:14.3.1@jar'

或者手动下载 JAR 文件并添加到 classpath。

三、Java 实现代码

下面是一个完整的示例，展示如何读取 HTML 文件、提取文本并保存为 TXT 文件。

import com.spire.doc.Document; import com.spire.doc.FileFormat; import java.io.FileWriter; import java.io.IOException; public class ExtractTextFromHTML { public static void main(String[] args) { // 1. 创建 Document 对象 Document doc = new Document(); // 2. 加载 HTML 文件（指定格式为 Html） doc.loadFromFile("Sample.html", FileFormat.Html); // 3. 获取提取的纯文本 String text = doc.getText(); // 4. 将文本写入输出文件 try (FileWriter fileWriter = new FileWriter("HTMLText.txt")) { fileWriter.write(text); System.out.println("文本提取完成，已保存至 HTMLText.txt"); } catch (IOException e) { System.err.println("写入文件失败：" + e.getMessage()); } } }

代码说明

• 第 1 步：实例化Document类，这是 Free Spire.Doc 的核心入口，用于承载文档内容。
• 第 2 步：loadFromFile方法有两个参数：文件路径和文件格式。FileFormat.Html告诉库按 HTML 方式解析输入。
• 第 3 步：getText()返回文档中所有文本内容的字符串表示，换行符和空格按内部规则保留，但 HTML 标签被完全剥离。
• 第 4 步：使用 try-with-resources 语法安全地写入 TXT 文件。

四、注意事项与局限性

1. 文本布局简化

getText()返回的文本不保证保留原始 HTML 中的表格结构、缩进或列表符号。对于需要保持格式的提取任务（如表格转 CSV），此方法可能不适用。

2. 对 JavaScript 和 CSS 的处理

库在加载 HTML 时会忽略<script>和<style>标签内的内容，但部分内联样式或事件属性可能残留于文本？实际测试表明，getText()基本只提取可见文本节点，不会输出脚本或样式代码，比较干净。

3. 免费版适用场景

免费版本支持轻量级 HTML 文本提取，有页数限制仅满足中小型项目、个人开发的基础需求；复杂文档处理场景可根据业务选型其他方案。