Java HTMLParser 提取網頁純文字：從 URL 到乾淨文本的完整流程

用 HTMLParser 快速剝離標籤、保留可讀內容

網頁爬蟲、內容分析、關鍵字提取常需「去標籤化」。HTMLParser（舊版 org.htmlparser）提供節點遍歷、XPath 風格過濾、編碼處理，適合輕量級解析任務。本範例展示：抓取遠端 HTML → 全節點遍歷 → toPlainTextString() 輸出純文字。

核心步驟

1. 建立連線：HttpURLConnection 取得 InputStream，用 BufferedReader 逐行讀入 String（注意編碼）。
2. 建立 Parser：Parser.createParser(htmlString, "GBK") 指定編碼，避免中文亂碼。
3. 提取所有節點：parser.extractAllNodesThatMatch(new NodeFilter() { public boolean accept(Node n) { return true; } }) 取得 NodeList。
4. 轉純文字：遍歷 NodeList，node.toPlainTextString() 自動遞歸提取子節點文字，拼接輸出。

關鍵程式碼

public static String extractText(String html) throws Exception {
    StringBuffer text = new StringBuffer();
    Parser parser = Parser.createParser(new String(html.getBytes(), "GBK"), "GBK");
    NodeList nodes = parser.extractAllNodesThatMatch(new NodeFilter() {
        public boolean accept(Node node) { return true; }
    });
    for (int i = 0; i < nodes.size(); i++) {
        Node n = nodes.elementAt(i);
        text.append(new String(n.toPlainTextString().getBytes("GBK"))).append("\r\n");
    }
    return text.toString();
}

進階用法：定向提取

// 只解析  標籤
NodeFilter filter = new TagNameFilter("table");
NodeList tables = parser.extractAllNodesThatMatch(filter);
TableTag table = (TableTag) tables.elementAt(11); // 取第 12 個表格
// TableTag 提供 getRows(), getColumns(), getCellText() 等結構化 API
現代替代方案對比

  
庫
優點
缺點
適用場景
  

    
Jsoup
jQuery 風格選擇器、DOM 操作、自動修正不合法 HTML、活躍維護
體積較大（~300KB）
首選，現代標準
    
HTMLParser
輕量、流式 SAX 風格、記憶體友善
停止維護多年、HTML5 支援弱
舊專案維護、極簡依賴
    
Jericho
保留原始格式、支援 Server-side 標籤
API 較複雜
需保留原始標籤結構
  


編碼處理提醒
範例強制用 GBK，實際應優先從 Content-Type 標頭或 <meta charset> 解析編碼，或用 CharsetDetector（ICU4J）自動偵測。