java - 使用 Java 如何在使用 javamail 阅读 pop3 电子邮件时从中删除 html？

Question

我需要让用户向一个地址提交一封电子邮件，该地址将用于填充我的数据库中的实体。我的程序会定期检查收件箱中是否有新邮件，当它发现新邮件时，我需要使用主题、发件人、发送日期、附件和正文来填充数据库实体。我已经能够获取所有字段，但是当它包含 html 时我遇到了问题。我只需要存储电子邮件的文本。我想去掉正文中的所有标签、签名等。除了正则表达式之外，还有更好的方法吗？

这是我用来获取正文的函数。我的问题在于 mimetype 在函数的最后一部分遇到“multipart/*”情况。该函数返回 html 消息。除正则表达式外，我该怎么做才能去除该部分中的标签？

    /**
 * Return the primary text content of the message.
 */
private String getText(Part p) throws MessagingException, IOException {
    if (p.isMimeType("text/*")) {
        String s = (String)p.getContent();
        textIsHtml = p.isMimeType("text/html");
        return s;
    }

    if (p.isMimeType("multipart/alternative")) {
        // prefer html text over plain text
        Multipart mp = (Multipart)p.getContent();
        String text = null;
        for (int i = 0; i < mp.getCount(); i++) {
            Part bp = mp.getBodyPart(i);
            if (bp.isMimeType("text/plain")) {
                if (text == null){
                    text = getText(bp);
                }
                continue;
            } 
            else if (bp.isMimeType("text/html")) {
                String s = getText(bp);
                if (s != null){
                    return s;
                }
            } 
            else {
                return getText(bp);
            }
        }
        return text;
    } 
    else if (p.isMimeType("multipart/*")) {
        Multipart mp = (Multipart)p.getContent();
        for (int i = 0; i < mp.getCount(); i++) {
            String s = getText(mp.getBodyPart(i));
            if (s != null)
                return s;
        }
    }
    return null;
}

非常感谢任何帮助。

我一直在尝试以下操作，但它导致了我在下面评论过的西类牙语 á 问题。

 else if (p.isMimeType("multipart/*")) {
        Multipart mp = (Multipart)p.getContent();
        for (int i = 0; i < mp.getCount(); i++) {
            String s = getText(mp.getBodyPart(i));
            Document doc = Jsoup.parse(s);
            String retText = doc.text();
            retText.replaceAll("[0%d0%a]", "<br />");
            if (retText != null)
                return retText;
        }
    }

我也试过 [\r\n] 和 [\n] 作为我的正则表达式。

Answer 1

您可以使用一些 HTML 解析器，例如 jsoup遍历 HTML 代码并仅提取所需的文本。

看看:

• http://jsoup.org/cookbook/introduction/parsing-a-document
• http://jsoup.org/apidocs
• http://jsoup.org/apidocs/org/jsoup/Jsoup.html