使用 Java 提取 HTML 文件中的纯文本内容

在 Java 数据处理、文本清洗、内容解析等开发场景中，从 HTML 文件中剔除标签、样式、脚本等冗余格式，提取核心纯文本是高频需求。实现该需求的技术方案较多，本文将分享一种轻量、简洁的实现方式：使用 Free Spire.Doc for Java 库完成 HTML 纯文本提取，为开发者提供直接可复用的解决方案。

一、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：

xml 复制代码

<!-- 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：

groovy 复制代码

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。

java 复制代码

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。

五、总结

本文提供了实现 HTML 文件纯文本快速提取的简单方案，核心代码仅数行，无需手动编写 HTML 标签解析逻辑，大幅降低开发成本。

该方案的核心优势：

开箱即用，无复杂配置；
自动过滤 HTML 冗余格式，纯文本提取精准；
免费版无授权成本，适合轻量级业务场景。

开发者可直接复用代码，并根据自身需求封装为工具类，适配批量 HTML 文件处理等扩展场景。