有时，我们可能希望从HTML文档字符串中移除所有HTML标签并提取文本。
这个问题看起来相当简单。然而，根据需求的不同，它可能有不同的变体。
在本教程中，我们将讨论如何使用Java来实现这一点。
既然我们已经将HTML作为_String_变量，我们需要进行一些文本操作。
面对文本操作问题时，正则表达式（Regex）可能是首先想到的方法。
从字符串中移除HTML标签对Regex来说并不是一个挑战，因为不管HTML元素的开始或结束，它们都遵循“\u003c … \u003e”的模式。
在某些应用中，我们可能需要从互联网下载网页并将其内容提取为字符串。一个流行的用例是网页抓取或内容解析。
在本教程中，我们将使用Jsoup和_HttpURLConnection_来下载一个示例网页。
_HttpURLConnection_是_URLConnection_的一个子类。**它有助于连接到使用HTTP协议的统一资源定位符（URL）。**该类包含不同的方法来操作HTTP请求。
让我们使用_HttpURLConnection_下载一个示例网页：
@Test
void givenURLConnection_whenRetrieveWebpage_thenWebpageIsNotNullAndContainsHtmlTag() throws IOException {
URL url = new URL("https://example.com");
HttpURLConnection connection = (HttpURLConnection) url.openConnection();
connection.setRequestMethod("GET");
try (BufferedReader reader = new BufferedReader(new InputStreamReader(connection.getInputStream()))) {
StringBuilder responseBuilder = new StringBuilder();
String line;
while ((line = reader.readLine()) != null) {
responseBuilder.append(line);
}
assertNotNull(responseBuilder);
assertTrue(responseBuilder.toString()
.contains("``<html>``"));
}
}