Такая проблема, нужно извлечь из html  чистый текст, без всяких коментов, скриптов и тегов. Сейчас использую такой интсрумент как jericho-html. Почти нормально, но не совсем, все таки порой проскакивают лишние коменты со скриптами.  В этой связи хотелось бы узнать от разбирающихся следующее: 
1. Возможно кто-то знает другую более надежную тулзу для моей задачи.

Если не 1, то

2. Может кто-то использовал  jericho-html по тому же назначению что и описанно в данной теме и у него все получалось более успешно чем у меня (чистый текст без скриптов и коментов). Тогда прошу пожалуйста поделитесь как вы этого добились.

3. На сколько я понимаю инструмент  jericho-html режет все примерно следующим образом: строит по html xml документ, проходится по этому документу и вычитывает весь текст, а тэги и коменты режет. Если это так, то у меня единственное предположение почему некоторые вещи не обрезаются - эти вещи интерпритируются как текст, а это в свою очередь  может означать только одно - резка таких частей задача  не тривиальная, а следовательно требующая времени. Собственно хочу что бы кто -то в этом пунтке меня либо опроверг, либо подтвердил.