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