2. 使用正则表达式
既然HTML内容已作为字符串变量存在，我们需要进行文本操作。面对这类问题，正则表达式（Regex）通常是首选方案。
移除HTML标签对Regex来说并不复杂——无论标签开头还是结尾，都遵循< ... >的模式。对应的正则表达式可以是：
<[^>]*>（匹配尖括号内非>的任意字符）<.*?>（非贪婪匹配任意字符）
踩坑提示：Regex默认采用贪婪匹配，
<.*>会匹配从第一个<到最后一个>的内容，这会导致错误结果。必须使用非贪婪模式<.*?>。
2.1. 从 example1.html 移除标签
先创建测试HTML文件（example1.html）：
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
"http://www.w3.org/TR/html4/loose.dtd">
<html>
<head>
<title>This is the page title</title>
</head>
<body>
<p>
If the application X doesn't start, the possible causes could be:<br/>
1. <a href="maven.com">Maven</a> is not installed.<br/>
2. Not enough disk space.<br/>
3. Not enough memory.
</p>
</body>
</html>
使用String.replaceAll()移除标签：
String html = ... // 加载example1.html
String result = html.replaceAll("<[^>]*>", "");
System.out.println(result);
输出结果（已移除多余空行）：
This is the page title
If the application X doesn't start, the possible causes could be:
1. Maven is not installed.
2. Not enough disk space.
3. Not enough memory.
效果不错——所有HTML标签都被移除，但保留了原始空白字符。后续处理时可以轻松清理这些空行。
2.2. 从 example2.html 移除标签
正则表达式方案存在致命缺陷：无法处理所有可能的HTML结构。比如：
<script>或<style>标签的内容可能需要排除- 标签内容中可能包含
<或>字符（如比较运算符）
测试用example2.html：
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
"http://www.w3.org/TR/html4/loose.dtd">
<html>
<head>
<title>This is the page title</title>
</head>
<script>
// some interesting script functions
</script>
<body>
<p>
If the application X doesn't start, the possible causes could be:<br/>
1. <a
id="link"
href="http://maven.apache.org/">
Maven
</a> is not installed.<br/>
2. Not enough (<1G) disk space.<br/>
3. Not enough (<64MB) memory.<br/>
</p>
</body>
</html>
使用相同正则表达式处理后的错误输出：
This is the page title
// some interesting script functions
If the application X doesn't start, the possible causes could be:
1.
Maven
is not installed.
2. Not enough (
3. Not enough (
结论：用Regex处理HTML/XML极其脆弱！遇到
<或>字符会破坏文本结构。建议改用专业HTML解析器。
3. 使用 Jsoup
Jsoup是流行的Java HTML解析器。提取文本只需一行代码：
Jsoup.parse(htmlString).text()
添加Maven依赖：
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.17.2</version>
</dependency>
处理example2.html：
String html = ... // 加载example2.html
System.out.println(Jsoup.parse(html).text());
输出结果：
This is the page title If the application X doesn't start, the possible causes could be: 1. Maven is not installed. 2. Not enough (<1G) disk space. 3. Not enough (<64MB) memory.
核心优势：
- 自动忽略
<script>等标签内容 - 默认移除所有格式（包括换行符）
- 正确处理特殊字符（如
<1G）
扩展：如需保留换行符，可配置Jsoup的换行处理机制。
4. 使用 HTMLCleaner
HTMLCleaner专注于清理"不规范"的HTML，适合处理网页源码。
添加Maven依赖：
<dependency>
<groupId>net.sourceforge.htmlcleaner</groupId>
<artifactId>htmlcleaner</artifactId>
<version>2.25</version>
</dependency>
处理example2.html（跳过script标签）：
String html = ... // 加载example2.html
CleanerProperties props = new CleanerProperties();
props.setPruneTags("script"); // 忽略script标签
String result = new HtmlCleaner(props).clean(html).getText().toString();
System.out.println(result);
输出结果：
This is the page title
If the application X doesn't start, the possible causes could be:
1.
Maven
is not installed.
2. Not enough (<1G) disk space.
3. Not enough (<64MB) memory.
关键特性：
- 将
<br/>转换为换行符 - 保留原始空白字符（导致文本分行）
- 支持通过
CleanerProperties精细控制解析行为
适用场景：需要保留部分格式（如换行）时比Jsoup更灵活。
5. 使用 Jericho
Jericho提供独特的文本渲染功能，能保留部分HTML格式信息。
添加Maven依赖：
<dependency>
<groupId>net.htmlparser.jericho</groupId>
<artifactId>jericho-html</artifactId>
<version>3.4</version>
</dependency>
提取文本并保留链接URL：
String html = ... // 加载example2.html
Source htmlSource = new Source(html);
Segment segment = new Segment(htmlSource, 0, htmlSource.length());
Renderer htmlRender = new Renderer(segment).setIncludeHyperlinkURLs(true);
System.out.println(htmlRender);
输出结果：
If the application X doesn't start, the possible causes could be:
1. Maven <http://maven.apache.org/> is not installed.
2. Not enough (<1G) disk space.
3. Not enough (<64MB) memory.
突出优势：
- 自动忽略
<title>标签内容 - 将链接渲染为
文本 <URL>格式 - 支持
<br/>、<ul>、<li>等标签的格式化渲染 - 保持文本可读性的同时保留关键结构信息
适用场景：需要提取超链接、列表等结构化信息时的最佳选择。
6. 结论
处理HTML文本提取时，避免使用正则表达式——它在复杂场景下会失效。推荐方案：
| 方案 | 适用场景 | 核心优势 |
|---|---|---|
| Jsoup | 纯文本提取 | 简单高效，自动过滤脚本/样式 |
| HTMLCleaner | 需保留部分格式 | 支持换行符转换，配置灵活 |
| Jericho | 需保留结构信息 | 渲染链接/列表，格式化输出 |
经验之谈：根据需求选择工具——纯文本用Jsoup，格式化输出用HTMLCleaner，结构化信息用Jericho。