Java 从富文本中获取纯文本和图片地址列表

代码


import org.apache.commons.lang.StringUtils;
import org.springframework.web.util.HtmlUtils;

import java.util.ArrayList;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

/**
 * HTML 工具类
 */


public class HTMLUtils {

    private static Pattern pImage= Pattern.compile("<img.*src\\s*=\\s*(.*?)[^>]*?>",Pattern.CASE_INSENSITIVE);
    private static Pattern rImage=Pattern.compile("src\\s*=\\s*\"?(.*?)(\"|>|\\s+)");
    /**
     * 获取HTML内的文本，不包含标签
     *
     * @param html HTML 代码
     */
    public static String getInnerText(String html) {
        if (StringUtils.isNotBlank(html)) {
            //去掉 html 的标签
            String content = html.replaceAll("</?[^>]+>", "");
            // 将多个空格合并成一个空格
            content = content.replaceAll("(&nbsp;)+", "&nbsp;");
            // 反向转义字符
            content = HtmlUtils.htmlUnescape(content);
            return content.trim();
        }
        return "";
    }

    public static List<String> getImgStr(String richText) {
        List<String> list = new ArrayList<>();
        Matcher pMatcher = pImage.matcher(richText);
        while (pMatcher.find()) {
            // 得到<img />数据
            String img = pMatcher.group();
            // 匹配<img>中的src数据
            Matcher rMatcher = rImage.matcher(img);
            while (rMatcher.find()) {
                list.add(rMatcher.group(1));
            }
        }
        return list;
    }

    public static void main(String[] args) {
        String str = HTMLUtils.getInnerText("<p>aaaaaaa</p><div>22222222222222</div><img src='http://192.168.1.120/'></img>");
        List<String> images = HTMLUtils.getImgStr("<p>aaaaaaa</p><div>22222222222222</div><img src='http://192.168.1.120/aa.png'></img>");
        System.out.println(str);
        System.out.println(images);
    }

}

执行效果：