Я просто начинаю с HTMLUnit и что я надеюсь делать, взятие веб-страница и извлечение необработанный текст от него минус вся разметка HTML.
htmlunit может выполнить это? Если так, как? Или есть ли другая библиотека, на которую я должен смотреть?
например, если страница содержит
<body><p>para1 test info</p><div><p>more stuff here</p></div>
Я хотел бы, чтобы это произвело
para1 test info more stuff here
спасибо
http://htmlunit.sourceforge.net/gettingStarted.html указывает, что это действительно возможно.
@Test
public void homePage() throws Exception {
final WebClient webClient = new WebClient();
final HtmlPage page = webClient.getPage("http://htmlunit.sourceforge.net");
assertEquals("HtmlUnit - Welcome to HtmlUnit", page.getTitleText());
final String pageAsXml = page.asXml();
assertTrue(pageAsXml.contains("<body class=\"composite\">"));
final String pageAsText = page.asText();
assertTrue(pageAsText.contains("Support for the HTTP and HTTPS protocols"));
}
NB: команда page.asText (), кажется, предлагает именно то, что вам нужно.
Документация Javadoc для asText (унаследована от DomNode на HtmlPage)