Html belgesi aşağıdaki gibidir :
<html>
<head>
<meta charset="utf-8">
<title>Bilgi Sayfası</title>
</head>
<body>
<h1 class="test">Ali</h1> eve <b>şimdi</b> geldi
<img src="a.gif" alt="Ali'nin Resmi">
</body>
</html>
Bu HTML içindeki metinler aşağıdaki gibi uygulama ile alınıp ekrana basılabilir:
import java.io.ByteArrayInputStream;
import java.io.IOException;
import net.htmlparser.jericho.Source;
import net.htmlparser.jericho.TextExtractor;
public class TextExtractorTest {
public static void main(String[] args) throws IOException {
String html1="<html><head><meta charset=\"utf-8\"/><title>Bilgi Sayfası</title></head>"
+ "<body><h1 class=\"test\">Ali</h1> eve <b>şimdi</b> geldi"
+ "<img src=\"a.gif\"></body></html>";
Source source=new Source(new ByteArrayInputStream(html1.getBytes("UTF-8")));
TextExtractor textExtractor=new TextExtractor(source);
System.out.println(textExtractor.toString());
}
}
Ekranda aşağıdaki gibi bir metin görülür:
Bilgi Sayfası Ali eve şimdi geldi
Dikkat edilirse title elementi içeriği de alınmıştır. Attribute'lerin içeriği (örneğin h1 elementinin class attribute'si) alınmamıştır.
