Extraer texto archivo HTML

[Belzebu]

Buenas, me gustaría saber si sabeis algún metodo con el cual pueda extraer todos los textos contenidos entre las etiquetas <h1> y <p> de un archivo .html.

Hasta ahora he utilizado un filtro echo por mi "public class Html2Ascii extends FilterInputStream", que va leida dato por dato hasta que encuentra un <h1> o <p> y a partir de este momento retorna lo que tiene su interior, pero es algo lento y dudo de su calidad ya que me deja espacios en blanco en los lugares donde antes habia letras.

Gracias!

[Belzebu]

He encontrado un contenido interesante sobre este tema en: http://www.exampledepot.com/egs/java...l/GetText.html

He modificado el texto a:

Código PHP:

  import java.io.*;
import java.net.*;
import javax.swing.text.*;
import javax.swing.text.html.*;
 
 
class getText {
    public static void main(String[] args) {
        
    String uriStr = args[0];
    String probando="";
 
        final StringBuffer buf = new StringBuffer(1000);
    
        try {
            // Create an HTML document that appends all text to buf
            HTMLDocument doc = new HTMLDocument() {
                public HTMLEditorKit.ParserCallback getReader(int pos) {
                    return new HTMLEditorKit.ParserCallback() {
                        // This method is whenever text is encountered in the HTML file
                        public void handleText(char[] data, int pos) {
                            buf.append(data);
                            buf.append('\n');
                        }
                    };
                }
            };
    
            // Create a reader on the HTML content
            URL url = new URI(uriStr).toURL();
            URLConnection conn = url.openConnection();
            Reader rd = new InputStreamReader(conn.getInputStream());
    
            // Parse the HTML
            EditorKit kit = new HTMLEditorKit();
            kit.read(rd, doc, 0);
        } catch (MalformedURLException e) {
        } catch (URISyntaxException e) {
        } catch (BadLocationException e) {
        } catch (IOException e) {
        }
    
        // Return the text
       System.out.println(buf.toString());
    
    }
 
} 
   

pero no consigo que el codigo realice su objetivo final(extraer el texto), a ver si alguien me puede hechar un cable.

Gracias