Estrazione parole da una pagina web

[Anakin84]

Ho questo problema:
ho una pagina web di cui prendo il sogente e lo memorizzo in una "superstringa". Ora da questa stringa dovrei poter recuperare tutte le parole che sono all'interno della pagina per esempio da questa

vorrei poter recuperare "Pubblicità" , "Soluzioni Aziendali" etc...

pensavo di usare un'espressione regolare da passare metodo split()... solo che non riseco a formulare l'espressione corretta per estrarre le parole dai vari tag. Qualche suggerimento?

[desa]

In realtà tu vuoi estrarre tutto quello che è "fuori" dai tag, ovverosia tutto quello che non è compreso in una cosa di questo tipo:
<TAG attributo="valore" . . . >
trattando separatamente cose particolari come i tag "style" e "script", ad esempio.

Credo che la soluzione più pratica sia parsare tutto il documento, ignorando tutto ciò che è compreso fra < e > (fermi restando i casi eccezionali che ti ho segnalato).

Ti segnalo comunque alcune criticità relativamente a quello che vuoi fare: eventuali chiamate Ajax asincrone effettuate dalla pagina, script di manipolazione del DOM, utilizzo degli attributi CSS di visibilità. Ce ne sono sicuramente altre, quindi tienine conto

[Anakin84]

Ho risolto con una roba del genere:

//sorgente contiene tutto il codice sorgente della pagina
ArrayList<String> risultati = new ArrayList<String>();
        String temp = "";
        for (int i = 0; i < sorgente.length() - 1; i++) {
            char c = sorgente.charAt(i);
           //prendo tutto quello che è compreso tra > e < e che siano lettere
            if (c == '>' && ((sorgente.charAt(i + 1) >= 'a' && sorgente.charAt(i + 1) <= 'z') || (sorgente.charAt(i + 1) >= 'A' && sorgente.charAt(i + 1) <= 'Z'))) {
                for (int j = i + 1; sorgente.charAt(j) != '<'; j++) {
                    temp = temp + sorgente.charAt(j);

                }
                if(filtraggio(temp)){ //quì effettuo un controllo per filtrare script e altre robe
                                           //che non mi interessano... non riporto il codice...
                risultati.add(temp);
                }
                temp="";
               
            }
        }

così funziona, ma l'eleborazione è molto lenta. Suppongo sia dovuto al fatto che la stringa "sorgente" è enorme!!. Qualcuno sà indicarmi soluzioni alternative?