java - 如何读取和操作从Microsoft Word导出的HTML文档？

Question

我有一个保存为 .htm 网页的 Microsoft Word 文档。下面是我的代码。我的问题是如何从文档中获取文本并将其附加到字符串中。我注意到该段落被设置为标签 <p class=MsoNormal>所以有什么建议。我想要将其附加到的字符串是 documentText

    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

查看诸如HTML Parser之类的库和 Jericho HTML Parser或使用 native HTMLEditorKit.Parser + HTMLEditorKit.ParserCallback this answer 上建议的方法.