使用java从字符串中删除html标签[重复]

Posted 2023-02-26

【中文标题】使用java从字符串中删除html标签[重复]

【英文标题】：remove html tags from string using java [duplicate]

【发布时间】：2011-05-24 20:54:24

【问题描述】：

我正在编写一个程序来读取和分离垃圾邮件和非正常电子邮件。现在我正在使用java的bufferedreader类阅读它。我可以使用 replaceAll() 方法删除任何不需要的字符，例如“（”或“。”等。我也想删除 html 标签，包括 &amp。如何实现这一点！？

谢谢

编辑： 感谢您的回复，但我已经有一个正则表达式，如何结合我的需求并投入其中。这是我现在使用的正则表达式。

lines.replaceAll("[^a-zA-Z]", " ")

注意：我从 txt 文件中获取行。 请问还有什么建议吗？！

【问题讨论】：

我试过 Jsoup..但它不工作..没有编译错误，它只是不工作..

类似话题***.com/questions/1699313/…***.com/questions/240546/…

【参考方案1】：

导入 java.io.*;

public class Html2TextWithRegExp 


public static void main (String[] args) throws Exception
 StringBuilder sb = new StringBuilder();
 BufferedReader br = new BufferedReader(new FileReader("java-new.html"));
 String line;
 while ( (line=br.readLine()) != null) 
   sb.append(line);
   // or
   //  sb.append(line).append(System.getProperty("line.separator"));
 
 String nohtml = sb.toString().replaceAll("\\<.*?>","");
 System.out.println(nohtml);
 

【讨论】：

为什么要创建一个空的构造函数？

【参考方案2】：

也许这会起作用：

String noHTMLString = htmlString.replaceAll("\\<.*?>","");

它使用regular expressions 删除字符串中的所有 HTML 标签。

更具体地说，它会从字符串中删除所有类似 XML 的标签。因此，即使 不是有效的 HTML 标记，它也会被删除。但这对大多数意图和目的都有好处。

希望这会有所帮助。

【讨论】：

第二次调用，如replaceAll("&.*?;","") 将取出实体引用。尽管对我来说很奇怪，只是想删除这些，而不是将它们翻译回它们所代表的字符。

非常有用且强大的解决方案。

小心正则表达式，这不是一个完整的解决方案。它还替换了不需要的字符 -> 使用此表达式来处理字符串，例如“a d”导致“a d”。

没错，这是一种快速而肮脏的做法，应谨慎使用。

【参考方案3】：

JSOUP

public static String html2text(String html) 
    return Jsoup.parse(html).text();

【讨论】：

对于 maven 用户，最新版本的 maven repos 链接：mvnrepository.com/artifact/org.jsoup/jsoup

【参考方案4】：

你会想要做一些轻量级的解析来剥离 HTML：

String extractText(String html) throws IOException 
    final ArrayList<String> list = new ArrayList<String>();

    ParserDelegator parserDelegator = new ParserDelegator();
    ParserCallback parserCallback = new ParserCallback() 
        public void handleText(final char[] data, final int pos)  
            list.add(new String(data));
        
        public void handleStartTag(Tag tag, MutableAttributeSet attribute, int pos)  
        public void handleEndTag(Tag t, final int pos)   
        public void handleSimpleTag(Tag t, MutableAttributeSet a, final int pos)  
        public void handleComment(final char[] data, final int pos)  
        public void handleError(final java.lang.String errMsg, final int pos)  
    ;
    parserDelegator.parse(new StringReader(html), parserCallback, true);

    String text = "";

    for(String s : list) 
        text += " " + s;
    

    return text;