java - Microsoft Word からエクスポートされた HTML ドキュメントを読み、操作する方法は?

Question

.htm Web ページとして保存された Microsoft Word Doc があります。以下は私が持っているコードです。私の質問は、ドキュメントからテキストを取得して文字列に追加する方法です。段落がタグに設定されていることに気付きました<p class=MsoNormal>。追加したい文字列はdocumentTextです

    String documentText = "";
    FileInputStream fileInput = null;
    BufferedInputStream myBuffer = null;
    DataInputStream dataInput = null;
    fileInput = new FileInputStream(selectedFile);
    myBuffer = new BufferedInputStream(fileInput);
    dataInput = new DataInputStream(myBuffer);
    while (dataInput.available() != 0){
        System.out.println(dataInput.readLine());
    }

Answer 1

HTMLパーサーやJerichoHTMLパーサーなどのライブラリを確認するか、この回答で提案されているネイティブHTMLEditorKit.Parser + HTMLEditorKit.ParserCallbackアプローチを使用してください。

Answer 2

HTML Parserなどの HTML パーサー ライブラリを使用します。