如何在Java中删除HTML标签[重复]

Posted 2023-02-26

【中文标题】如何在Java中删除HTML标签[重复]

【英文标题】：How to remove HTML tag in Java [duplicate]

【发布时间】：2010-12-14 12:48:24

【问题描述】：

有没有可以完全去除html标签的正则表达式？ 顺便说一句，我正在使用 Java。

【问题讨论】：

在搜索框中输入您的标题，我得到以下信息：***.com/search?q=How+to+remove+HTML+tag+in+Java ...您在发布问题时没有得到相同的结果吗？

我没有发现重复项。这些问题关心从 HTML 中提取文本：***.com/questions/240546/…***.com/questions/832620/stripping-html-tags-in-java

【参考方案1】：

没有。正则表达式不能根据定义解析 HTML。

您可以对s/<[^>]*\>// 使用正则表达式或类似的简单方法，但这将是不够的，尤其是如果您有兴趣删除标签的内容。

正如另一位发帖者所说，使用实际的 HTML 解析器。

【参考方案2】：

您不需要任何 HTML 解析器。下面的代码删除了所有的 HTML cmets：

htmlString = htmlString.replaceAll("(?s)<!--.*?-->", "");

【参考方案3】：

JSoup 是一个用于 HTML 操作的 java 库。查看clean() 方法和WhiteList 对象。易于使用的解决方案！

【讨论】：

哇，先生，真的让我很开心，我喜欢这样，是的！ Markdownj、Markdown4J、htmlCleaner .. 所有这些都是 ***** 抱歉.. JSoup 是唯一一个你真正实现这一目标的地方：String plain = new HtmlToPlainText().getPlainText(Jsoup.parse( html));

更短的代码是String plaintext = Jsoup.parse(html).text();

@jrarama - 一点也不。 Jsoup.parse(html).text() 删除所有标签和空格，只留下一长行文本，而 new HtmlToPlainText().getPlainText(Jsoup.parse(html)) 以简单的方式格式化文本，保留换行符、段落、项目符号等。

@isapir: HtmlToPlainText 不包含在mvnrepository.com/artifact/org.jsoup/jsoup/1.11.3

那是因为HtmlToPlainText就是一个例子，见github.com/jhy/jsoup/blob/master/src/main/java/org/jsoup/…

【参考方案4】：

你可以使用这个简单的代码来删除所有的html标签...

htmlString.replaceAll("\\<.*?\\>", ""))

【讨论】：

这只会删除开始标签，而不处理结束标签。

我永远不会独自完成这样的工作 - 将 html 解析为纯文本确实是一项艰巨的工作......

它对我有用，但可能取决于标签、cmets、脚本等的复杂性。因此，对于复杂的情况，也许 html 库应该更好。

【参考方案5】：

或者，如果您的意图是显示用户控制的输入返回给客户端，那么您也可以将所有< 替换为< 并将所有> 替换为> .这样，客户端的应用程序（网络浏览器）就不会按原样解释 HTML。

如果您使用 JSP 作为视图技术，那么您可以为此使用 JSTL 的c:out。默认情况下，它将转义所有 HTML 实体。比如

<c:out value="<script>alert('XSS');</script>" />

不会显示警报，而是按原样显示实际字符串。

【参考方案6】：

如果你只需要删除标签，那么你可以使用这个正则表达式：

content = content.replaceAll("<[^>]+>", "");

它只会删除标签，但不会删除其他 HTML 内容。对于更复杂的事情，您应该使用解析器。

编辑：为避免 HTML cmets 出现问题，您可以执行以下操作：

content = content.replaceAll("<!--.*?-->", "").replaceAll("<[^>]+>", "");

【讨论】：

由于您不使用任何肉类字符 .、^ 和 $，因此可以省略 s- 和 m 标志。

如果 HTML 包含嵌入了 '' 字符的 XML cmets，此正则表达式可能会导致损坏。

【参考方案7】：

您应该改用 HTML 解析器。我喜欢htmlCleaner，因为它给了我一个漂亮的 HTML 打印版本。

使用 htmlCleaner 你可以做到：

TagNode root = htmlCleaner.clean( stream );
Object[] found = root.evaluateXPath( "//div[id='something']" );
if( found.length > 0 && found instanceof TagNode ) 
    ((TagNode)found[0]).removeFromTree();

【讨论】：

感谢您指向 htmlCleaner :)

我们是否需要获取任何库才能使用上面的代码？和 root.evaluateXPath("//div[id='something']");在这个“某事”中可能是任何身份仪式吗？请告诉我。谢谢