java獲取文件編碼,jsoup獲取html純文本操作
maven引入獲取編碼的jar
<dependency> <groupId>com.ibm.icu</groupId> <artifactId>icu4j</artifactId> <version>67.1</version> </dependency>
獲取文件編碼
package com.lovnx.note.util;import com.ibm.icu.text.CharsetDetector;import com.ibm.icu.text.CharsetMatch;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;import org.jsoup.select.Elements; import java.io.IOException;import java.net.URL;import java.nio.file.Files;import java.nio.file.Path;import java.nio.file.Paths; /** * @author @256g的胃 * @ClassName HtmlParse * @Description * @Date 15:32 2020/7/9 **/public class HtmlParse { public static String getEncode(String filePath) throws IOException { Path path = Paths.get(filePath); byte[] data = Files.readAllBytes(path); CharsetDetector detector = new CharsetDetector(); detector.setText(data); CharsetMatch match = detector.detect(); String encoding = match.getName(); System.out.println('The Content in ' + match.getName()); return encoding; } public static void main(String[] args) throws Exception { System.out.println(HtmlParse.getEncode('/Users/cxt/Downloads/test.html')); }}
上面獲取文件編碼是為了在服務(wù)器根據(jù)文件流下載文件時(shí)防止文件亂碼直接指定編碼格式，然后再根據(jù)下載下來的文件識(shí)別純文本
Document doc = Jsoup.parse('讀取的文本字符串，此處應(yīng)該是帶html標(biāo)簽的');
String text = doc.text();
jsoup也支持 直接指定文件的形式去獲取純文本
參考 https://jsoup.org/
補(bǔ)充知識(shí)：java 解析html/讀取html內(nèi)容
jsoup
String 轉(zhuǎn)化
1、Document doc = Jsoup.parse(html);
例如：
String html = '<html><head><title>First parse</title></head>' + '<body><p>Parsed HTML into a doc.</p></body></html>'; Document doc = Jsoup.parse(html); System.out.println(doc.text()); ;
常用api
2、獲取節(jié)點(diǎn)文本：Document.text();
以上這篇java獲取文件編碼,jsoup獲取html純文本操作就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持好吧啦網(wǎng)。
網(wǎng)公網(wǎng)安備