Html 2文本 - 删除“隐藏”文本

Question

我目前正在寻找方法来阅读网站的可见文本并将其存储到使用Java的纯文本字符串中。

换句话说，我想的东西转换是这样的：

Hello <span style="display: none">stupid</span> World为 “Hello World” 的

或类似

<span>Un</span>friendly为 “不友好”（而不是像“联合国友好“）

或

Hello 

World 

插入到“Hello World”中（因为HTML中忽略了新行）

你知道任何可以协助完成此任务的lib吗？

干杯，

马蒂亚斯

Answer 1

Boilerpipe是用Java编写的HTML清洁库。

Answer 2

查看Cobra以查看API是否提供了任何方法来呈现HTML并将其转换为纯文本。