チュートリアル

簡単にライブラリーを使用するためのチュートリアルコレクション

2025-12-19

JavaでHTMLを解析：ファイル・URL・データ抽出

JavaでHTMLを読み取る方法または解析する方法を学ぶ

HTMLの解析は、Java開発において非常に重要な処理のひとつです。構造化データの抽出、コンテンツ分析、Webベースの情報活用など、さまざまな場面で活用されます。Webスクレイパーの構築、HTMLコンテンツの検証、Webページからのテキストや属性の抽出など、用途は多岐にわたりますが、信頼性の高いツールを使うことで実装は大幅に簡素化できます。

本ガイドでは、Spire.Doc for Java を使用して JavaでHTMLを解析する方法 を解説します。Spire.Docは、HTML解析とドキュメント処理を統合的に扱える強力なライブラリで、実用的なHTMLデータ抽出を効率よく実装できます。

HTML解析にSpire.Doc for Javaを使う理由
環境準備とインストール
基本編：JavaでHTMLを解析して要素を抽出する
応用編：HTMLファイル・URLを解析する
HTML解析に関するFAQ

HTML解析にSpire.Doc for Javaを使う理由

JavaにはJsoupなど複数のHTML解析ライブラリがありますが、Spire.Docはドキュメント処理との親和性と低コードで実装できる点が大きな特長です。効率を重視する開発者にとって、以下の理由からHTML解析用途に適しています。

直感的なオブジェクトモデル
HTMLを Section、Paragraph、Table などの構造化されたオブジェクトに変換し、生のHTMLタグを直接処理する必要がありません。
幅広いデータ抽出機能
テキスト、属性、表データ（行・セル）、見出しなどのスタイル情報まで、追加ライブラリなしで取得できます。
低コードワークフロー
HTMLの読み込みから処理まで、最小限のコードで実装でき、開発時間を短縮できます。
軽量な導入
MavenやGradleで簡単にプロジェクトへ追加でき、依存関係も最小限です。

環境準備とインストール

JavaでHTMLを読み込む前に、以下の環境が整っていることを確認してください。

Java Development Kit (JDK)
JDK 8以上（URL解析で HttpClient を使用する場合は JDK 11以上を推奨）
Spire.Doc for Java
最新バージョン（Maven または手動で導入）
HTMLソース
HTML文字列、ローカルHTMLファイル、またはURL（動作確認用）

Spire.Doc for Javaのインストール

Mavenを使用する場合
以下のリポジトリと依存関係を pom.xml に追加します。必要なライブラリは自動的にダウンロードされます。

<repositories>
    <repository>
        <id>com.e-iceblue</id>
        <name>e-iceblue</name>
        <url>https://repo.e-iceblue.com/nexus/content/groups/public/</url>
    </repository>
</repositories>
<dependency>
    <groupId>e-iceblue</groupId>
    <artifactId>spire.doc</artifactId>
    <version>13.12.2</version>
</dependency>

手動で導入する場合は、公式サイトからJARファイルをダウンロードし、プロジェクトに追加してください。

一時ライセンスの取得

デフォルトでは、Spire.Docの出力結果に評価用ウォーターマークが付与されます。制限を解除するには、30日間の無料トライアルライセンスを申請できます。

基本編：JavaでHTMLを解析して要素を抽出する

Spire.Docは、HTMLを構造化されたドキュメントモデルに変換します。段落、表、フィールドなどの要素をJavaオブジェクトとして直接操作できるため、データ抽出が容易になります。ここでは代表的なケースを紹介します。

1. JavaでHTMLからテキストを抽出する

HTMLタグを除外した純粋なテキスト抽出は、全文検索やコンテンツ分析でよく使われます。以下の例では、HTML文字列を解析し、すべての段落テキストを取得します。

Javaコード：HTML文字列からテキストを抽出

import com.spire.doc.*;
import com.spire.doc.documents.*;

public class ExtractTextFromHtml {
    public static void main(String[] args) {
        // 解析するHTMLコンテンツを定義
        String htmlContent = "<html>" +
                "<body>" +
                "<h1>HTML解析の概要</h1>" +
                "<p>Spire.Doc for Java を使用すると、HTMLからのテキスト抽出を簡単に行えます。</p>" +
                "<ul>" +
                "<li>見出しを抽出</li>" +
                "<li>段落を抽出</li>" +
                "<li>リスト項目を抽出</li>" +
                "</ul>" +
                "</body>" +
                "</html>";

        // 解析したHTMLを格納するためのDocumentオブジェクトを作成
        Document doc = new Document();
        // HTML文字列をドキュメントに解析して追加
        doc.addSection().addParagraph().appendHTML(htmlContent);

        // すべての段落からテキストを抽出
        StringBuilder extractedText = new StringBuilder();
        for (Section section : (Iterable<Section>) doc.getSections()) {
            for (Paragraph paragraph : (Iterable<Paragraph>) section.getParagraphs()) {
                extractedText.append(paragraph.getText()).append("\n");
            }
        }

        // 抽出したテキストを出力または後続処理
        System.out.println("抽出されたテキスト:\n" + extractedText);
    }
}

出力例：

Javaを使用してHTML文字列を解析する

2. JavaでHTMLテーブルのデータを抽出する

HTMLの <table> 要素は、商品一覧やレポートなどの構造化データを含むことが多くあります。Spire.Docでは、HTMLテーブルを Table オブジェクトとして扱えるため、行やセル単位で簡単にアクセスできます。

Javaコード：HTMLテーブルの行・セルを抽出

import com.spire.doc.*;
import com.spire.doc.documents.*;

public class ExtractTableFromHtml {
    public static void main(String[] args) {
        // テーブルを含むHTMLコンテンツ
        String htmlWithTable = "<html>" +
                "<body>" +
                "<table border='1'>" +
                "<tr><th>ID</th><th>商品名</th><th>価格</th></tr>" +
                "<tr><td>001</td><td>ノートパソコン</td><td>$999</td></tr>" +
                "<tr><td>002</td><td>スマートフォン</td><td>$699</td></tr>" +
                "</table>" +
                "</body>" +
                "</html>";

        // HTMLをDocumentオブジェクトに解析して読み込む
        Document doc = new Document();
        doc.addSection().addParagraph().appendHTML(htmlWithTable);

        // テーブルデータを抽出
        for (Section section : (Iterable<Section>) doc.getSections()) {
            // セクション本文内のすべてのオブジェクトを走査
            for (Object obj : section.getBody().getChildObjects()) {
                if (obj instanceof Table) { // オブジェクトがテーブルかどうかを判定
                    Table table = (Table) obj;
                    System.out.println("テーブル内容:");
                    // 行を順に処理
                    for (TableRow row : (Iterable<TableRow>) table.getRows()) {
                        // 行内のセルを順に処理
                        for (TableCell cell : (Iterable<TableCell>) row.getCells()) {
                            // 各セル内の段落からテキストを抽出
                            for (Paragraph para : (Iterable<Paragraph>) cell.getParagraphs()) {
                                System.out.print(para.getText() + "\t");
                            }
                        }
                        System.out.println(); // 各行の後で改行
                    }
                }
            }
        }
    }
}

出力例：

JavaでHTMLテーブルデータを解析する

appendHTML() メソッドでHTMLをWordドキュメントとして解析した後、Spire.DocのAPIを使ってハイパーリンクを抽出することも可能です。

応用編：HTMLファイル・URLを解析する

Spire.Doc for Javaは、ローカルHTMLファイルやWeb上のURLからHTMLを解析することもでき、実運用に適した柔軟性を備えています。

1. JavaでHTMLファイルを読み込む

ローカルのHTMLファイルは、loadFromFile(String, FileFormat.Html) メソッドを使用して読み込みます。

Javaコード：ローカルHTMLファイルを解析

import com.spire.doc.*;
import com.spire.doc.documents.*;

public class ParseHtmlFile {
    public static void main(String[] args) {
        // Documentオブジェクトを作成
        Document doc = new Document();
        // HTMLファイルを読み込む
        doc.loadFromFile("input.html", FileFormat.Html);

        // テキストを抽出して出力
        StringBuilder text = new StringBuilder();
        for (Section section : (Iterable<Section>) doc.getSections()) {
            for (Paragraph para : (Iterable<Paragraph>) section.getParagraphs()) {
                text.append(para.getText()).append("\n");
            }
        }
        System.out.println("HTMLファイルから抽出したテキスト:\n" + text);
    }
}

この例ではHTMLファイル内のテキストを抽出しています。段落のスタイル（例：「Heading1」「Normal」）も同時に取得したい場合は、Paragraph.getStyleName() メソッドを使用します。

出力例：

JavaでHTMLファイルを読み込む

関連情報：JavaでWordをHTMLに変換

2. JavaでURLを解析する

実際のWebスクレイピングでは、URLからHTMLを取得して解析する必要があります。Spire.Docは、JDK 11以降で利用可能な HttpClient と組み合わせて使用できます。

Javaコード：URLからHTMLを取得して解析

import com.spire.doc.*;
import com.spire.doc.documents.*;
import java.net.URI;
import java.net.http.HttpClient;
import java.net.http.HttpRequest;
import java.net.http.HttpResponse;
import java.time.Duration;

public class ParseHtmlFromUrl {
    // 再利用可能な HttpClient（タイムアウトを設定してハングアップを防ぐ）
    private static final HttpClient httpClient = HttpClient.newBuilder()
            .connectTimeout(Duration.ofSeconds(10))
            .build();

    public static void main(String[] args) {
        String url = "https://jp.e-iceblue.com/misc/privacy-policy.html";

        try {
            // URLからHTMLコンテンツを取得
            System.out.println("Fetching from: " + url);
            String html = fetchHtml(url);

            // Spire.DocでHTMLを解析
            Document doc = new Document();
            Section section = doc.addSection();
            section.addParagraph().appendHTML(html);

            System.out.println("--- 見出し ---");

            // 見出しを抽出
            for (Paragraph para : (Iterable<Paragraph>) section.getParagraphs()) {
                // 段落スタイルが見出しかどうかを確認（例："Heading1", "Heading2"）
                if (para.getStyleName() != null && para.getStyleName().startsWith("Heading")) {
                    System.out.println(para.getText());
                }
            }

        } catch (Exception e) {
            System.err.println("エラー: " + e.getMessage());
        }
    }

    // ヘルパーメソッド: 指定したURLからHTMLコンテンツを取得
    private static String fetchHtml(String url) throws Exception {
        // User-Agentヘッダー付きでHTTPリクエストを作成（ブロック回避のため）
        HttpRequest request = HttpRequest.newBuilder()
                .uri(URI.create(url))
                .header("User-Agent", "Mozilla/5.0")
                .timeout(Duration.ofSeconds(10))
                .GET()
                .build();
        // リクエストを送信してレスポンスを取得
        HttpResponse<String> response = httpClient.send(request, HttpResponse.BodyHandlers.ofString());

        // リクエストが成功したか確認（HTTP 200 = OK）
        if (response.statusCode() != 200) {
            throw new Exception("HTTPエラー: " + response.statusCode());
        }

        return response.body(); // 生のHTMLコンテンツを返す
    }
}

処理のポイント：

HTTP取得 HttpClientでHTMLを取得し、User-Agentを設定してアクセスブロックを回避します。
HTML解析 DocumentにSectionとParagraphを追加し、appendHTML()でHTMLを読み込みます。
データ抽出 段落スタイルが「Heading」で始まるかを判定し、見出しを抽出します。

出力例：

JavaでWeb URLからHTMLを解析する

まとめ

JavaでのHTML解析は、Spire.Doc for Javaを使うことで大幅に簡素化できます。HTML文字列、ローカルファイル、URLのいずれからでも、テキストや表データを最小限のコードで抽出可能です。生のHTMLタグを直接扱ったり、重い依存関係を管理したりする必要はありません。

Webスクレイピング、コンテンツ分析、HTML変換（例：HTMLをPDFに変換）など、さまざまな用途で活用できます。本ガイドの手順に沿って実装すれば、Javaプロジェクトに実用的なHTML解析機能をスムーズに組み込めるでしょう。

HTML解析に関するFAQ

Q1：JavaでHTMLを解析するには、どのライブラリが最適ですか？

A：用途によって異なります。

Spire.Doc：HTMLからテキストや表を抽出しつつ、PDF変換などのドキュメント処理も行いたい場合に適しています。
Jsoup：シンプルなHTML解析のみで十分な場合に向いていますが、表や構造化データの処理には追加実装が必要です。

Q2：不完全なHTMLでも解析できますか？

A：はい。Spire.Doc for Javaでは、XHTMLValidationType.None を指定して厳密な検証を無効化することで、不完全なHTML構造にも対応できます。

doc.loadFromFile("input.html", FileFormat.Html, XHTMLValidationType.None);

ただし、構造が大きく崩れているHTMLでは、解析に失敗する場合があります。

Q3：解析後のHTMLを編集して再保存できますか？

A：可能です。段落テキストの編集、表の行削除、新しい要素の追加などを行った後、HTMLとして保存できます。

doc.saveToFile("modified.html", FileFormat.Html);

Q4：HTML解析にインターネット接続は必要ですか？

A：ローカルファイルやHTML文字列を解析する場合、インターネット接続は不要です。URLからHTMLを取得する場合のみ、事前にネットワーク接続が必要になります。

Read 7 times

.NET ライブラリー

無料製品

Java ライブラリー

無料製品

Python ライブラリー

無料製品

Android ライブラリー

無料製品

JavaでHTMLを解析：ファイル・URL・データ抽出

HTML解析にSpire.Doc for Javaを使う理由

環境準備とインストール

Spire.Doc for Javaのインストール

一時ライセンスの取得

基本編：JavaでHTMLを解析して要素を抽出する

1. JavaでHTMLからテキストを抽出する

2. JavaでHTMLテーブルのデータを抽出する

応用編：HTMLファイル・URLを解析する

1. JavaでHTMLファイルを読み込む

2. JavaでURLを解析する

まとめ

HTML解析に関するFAQ

Q1：JavaでHTMLを解析するには、どのライブラリが最適ですか？

Q2：不完全なHTMLでも解析できますか？

Q3：解析後のHTMLを編集して再保存できますか？

Q4：HTML解析にインターネット接続は必要ですか？

関連する記事