Retirar Tags

http://java.sun.com/products/jfc/tsc/articles/bookmarks/

http://www.javaalmanac.com/egs/javax.swing.text.html/GetText.html?l=find

ou faz em Python que é mais fácil e depois roda com Jython
:roll:

se você ler todo o texto da pagina HTML em uma string, utiliza o seguinte:

html=html.replaceAll("<[/]*?.+?[/]*?>","");

isto vai simplesmente tirar as tags, não substitui
por
nem nada assim, mas vai remover todas as tags, ou seja, remove tudo o que estiver entre <> podendo ter uma / no inicio ou no fim, assim funciona para HTML e XML

“marciolx”:

http://www.javaalmanac.com/egs/javax.swing.text.html/GetText.html?l=find
:roll:

Nesse link que tu me passou tem justamente a função que eu preciso, mas não sei porque tem pagina em que ela não funciona

“rafaelrneto”:

“marciolx”:

http://www.javaalmanac.com/egs/javax.swing.text.html/GetText.html?l=find
:roll:

Nesse link que tu me passou tem justamente a função que eu preciso, mas não sei porque tem pagina em que ela não funciona

dá alguma Exception?

“marciolx”:

“rafaelrneto”:

“marciolx”:

http://www.javaalmanac.com/egs/javax.swing.text.html/GetText.html?l=find
:roll:

Nesse link que tu me passou tem justamente a função que eu preciso, mas não sei porque tem pagina em que ela não funciona

dá alguma Exception?

não, só pega o que está entre as tag <TITLE></TITLE>.

A URL que eu usei para teste foi essa:

http://maae.deinf.ufma.br/temp/infonorma/cadastro.htm

é porque ela não tem texto, só form elements, você vai ter que acrescentar os métodos handleStartTag e handleEndTag para pegar texto de atributos de form também (input, option, etc)

Mas tem algumas que tem só texto e não funciona. Por exemplo, esta: http://maae.deinf.ufma.br/temp/infonorma/teste.htm

ops… pára tudo, muita calma nessa hora

o código lança Exception sim, javax.swing.text.ChangedCharSetException, para evitar isso você precisa chamar o método parse:

public void parse(Reader in, HTMLEditorKit.ParserCallback callback, boolean ignoreCharacterSet) throws IOException

do HTMLEditorkit.ParserCallBack com o parâmetro negrito setado para true, mas no exemplo que eu passei com inner classes não sei como fazê-lo, por isso rascunhei um outro que deve funcionar:

import javax.swing.text.*;
import javax.swing.text.html.*;
import javax.swing.text.html.parser.*;
import java.io.*;
import java.net.*;
import java.util.*;

public class MeuParser extends HTMLEditorKit.ParserCallback {

  private Writer out;
  private int level = 0;
  private static StringBuffer buf = new StringBuffer(1000);
  
  public void handleText(char[] text, int position) { 
    
		buf.append(text);
		buf.append('\n');

    
  }
  
  public static void main(String[] args) { 
    
 ParserGetter kit = new ParserGetter();    
 HTMLEditorKit.Parser parser = kit.getParser();
  
    try {
      URL u = new URL("file:///e:/trab/java/2004/guj/teste.html");
      InputStream in = u.openStream();
      InputStreamReader r = new InputStreamReader(in);
      HTMLEditorKit.ParserCallback callback = new MeuParser();
      parser.parse(r, callback, true);
      System.out.println(buf.toString());
    }
    catch (Exception e) {
      System.err.println(e); 
    }
          
  }
  
}

class ParserGetter extends HTMLEditorKit {

  public HTMLEditorKit.Parser getParser(){
    return super.getParser();
  }
}

PS.: você não viu a Exception porque os catch’s estão vazios

“marciolx”:

ops… pára tudo, muita calma nessa hora

o código lança Exception sim, javax.swing.text.ChangedCharSetException, para evitar isso você precisa chamar o método parse:

public void parse(Reader in, HTMLEditorKit.ParserCallback callback, boolean ignoreCharacterSet) throws IOException

do HTMLEditorkit.ParserCallBack com o parâmetro negrito setado para true, mas no exemplo que eu passei com inner classes não sei como fazê-lo, por isso rascunhei um outro que deve funcionar:

import javax.swing.text.*;
import javax.swing.text.html.*;
import javax.swing.text.html.parser.*;
import java.io.*;
import java.net.*;
import java.util.*;

public class MeuParser extends HTMLEditorKit.ParserCallback {

  private Writer out;
  private int level = 0;
  private static StringBuffer buf = new StringBuffer(1000);
  
  public void handleText(char[] text, int position) { 
    
		buf.append(text);
		buf.append('
');

    
  }
  
  public static void main(String[] args) { 
    
 ParserGetter kit = new ParserGetter();    
 HTMLEditorKit.Parser parser = kit.getParser();
  
    try {
      URL u = new URL("file:///e:/trab/java/2004/guj/teste.html");
      InputStream in = u.openStream();
      InputStreamReader r = new InputStreamReader(in);
      HTMLEditorKit.ParserCallback callback = new MeuParser();
      parser.parse(r, callback, true);
      System.out.println(buf.toString());
    }
    catch (Exception e) {
      System.err.println(e); 
    }
          
  }
  
}

class ParserGetter extends HTMLEditorKit {

  public HTMLEditorKit.Parser getParser(){
    return super.getParser();
  }
}

PS.: você não viu a Exception porque os catch’s estão vazios :D

Tá funcionando legal. Você não quebrou um galho e sim uma árvore inteira. Valeu!

“rafaelrneto”:

Tá funcionando legal. Você não quebrou um galho e sim uma árvore inteira. Valeu!

e o melhor de tudo é que foi no meu 1000º post :mrgreen: