正则表达式去除 HTML 标签

Posted 2023-02-26

【中文标题】正则表达式去除 HTML 标签

【英文标题】：Regex to strip HTML tags

【发布时间】：2011-05-03 19:24:52

【问题描述】：

我有这个 html 输入：

<font size="5"><p>some text</p>
<p> another text</p></font>

我想使用正则表达式来删除 HTML 标签，这样输出是：

some text
another text

谁能建议如何使用正则表达式来做到这一点？

【问题讨论】：

不要尝试使用正则表达式解析 HTML。它只会以泪水告终。

请阅读类似问题的答案：***.com/questions/1732348/…

延伸阅读：***.com/questions/832620/stripping-html-tags-in-java

【参考方案1】：

既然你问了，这里有一个快速而肮脏的解决方案：

String stripped = input.replaceAll("<[^>]*>", "");

(Ideone.com demo)

虽然使用正则表达式处理 HTML 是一个非常糟糕的主意。上面的 hack 不会处理像

这样的东西 <tag attribute=">">Hello</tag> <script>if (a < b) alert('Hello>');</script>

等等

更好的方法是使用例如Jsoup。要从字符串中删除所有标签，您可以例如执行Jsoup.parse(html).text()。

【讨论】：

> 允许在引用的属性值中作为文字字符。

在这个标签之前我有 Head ，通过使用上面的 sn-p 倾斜所有这些东西我得到了头部，也有标题文本。我只需要我尝试过的这部分文本

private static final Pattern BetweenTags = Pattern.compile("

好吧，如果它很简单，比如在不复杂的 HTML 中剥离标签，我可能会选择使用正则表达式。在您的场景中，我相信您最好使用适当的解析器。

我可以建议 input.replaceAll("]+>","");

【参考方案2】：

使用 HTML 解析器。这是一个Jsoup 示例。

String input = "<font size=\"5\"><p>some text</p>\n<p>another text</p></font>";
String stripped = Jsoup.parse(input).text();
System.out.println(stripped);

结果：

一些文本另一个文本

或者如果你想保留换行符：

String input = "<font size=\"5\"><p>some text</p>\n<p>another text</p></font>";
for (String line : input.split("\n")) 
    String stripped = Jsoup.parse(line).text();
    System.out.println(stripped);

结果：

一些文字 另一个文本

Jsoup 也提供了更多优势。您可以使用select() 方法轻松提取 HTML 文档的特定部分，该方法接受类似 jQuery 的 CSS 选择器。它只要求文档在语义上格式正确。自 1998 年以来已弃用的 <font> 标签的存在已经不是一个很好的指示，但如果您事先深入了解 HTML 结构，它仍然是可行的。

另见：

Pros and cons of leading HTML parsers in Java

【讨论】：

请注意，使用 Jsoup 实际上不仅会去除 html 标签，还会添加空格来分隔元素。文本字母数量将大于 html 文本的数量，例如如果这就是你需要去除标签的原因，那么用 tinymce 编辑器编写。

【参考方案3】：

您可以使用名为 Jericho Html 解析器的 HTML 解析器。

你可以从这里下载它 - http://jericho.htmlparser.net/docs/index.html

Jericho HTML Parser 是一个 java 库，允许分析和操作 HTML 文档的各个部分，包括服务器端标签，同时逐字复制任何无法识别或无效的 HTML。它还提供高级 HTML 表单操作功能。

存在格式错误的 HTML 不会干扰解析

【讨论】：

Jsoup 需要格式良好的 HTML，因此在处理任意 HTML 时它并不比 Jericho 好。

【参考方案4】：

从aioobe的代码开始，我尝试了更大胆的：

String input = "<font size=\"5\"><p>some text</p>\n<p>another text</p></font>";
String stripped = input.replaceAll("</?(font|p)1.*?/?>", "");
System.out.println(stripped);

去除每个 HTML 标记的代码如下所示：

public class HtmlSanitizer 

    private static String pattern;

    private final static String [] tagsTab = "!doctype","a","abbr","acronym","address","applet","area","article","aside","audio","b","base","basefont","bdi","bdo","bgsound","big","blink","blockquote","body","br","button","canvas","caption","center","cite","code","col","colgroup","content","data","datalist","dd","decorator","del","details","dfn","dir","div","dl","dt","element","em","embed","fieldset","figcaption","figure","font","footer","form","frame","frameset","h1","h2","h3","h4","h5","h6","head","header","hgroup","hr","html","i","iframe","img","input","ins","isindex","kbd","keygen","label","legend","li","link","listing","main","map","mark","marquee","menu","menuitem","meta","meter","nav","nobr","noframes","noscript","object","ol","optgroup","option","output","p","param","plaintext","pre","progress","q","rp","rt","ruby","s","samp","script","section","select","shadow","small","source","spacer","span","strike","strong","style","sub","summary","sup","table","tbody","td","template","textarea","tfoot","th","thead","time","title","tr","track","tt","u","ul","var","video","wbr","xmp";

    static 
        StringBuffer tags = new StringBuffer();
        for (int i=0;i<tagsTab.length;i++) 
            tags.append(tagsTab[i].toLowerCase()).append('|').append(tagsTab[i].toUpperCase());
            if (i<tagsTab.length-1) 
                tags.append('|');
            
        
        pattern = "</?("+tags.toString()+")1.*?/?>";
    

    public static String sanitize(String input) 
        return input.replaceAll(pattern, "");
    

    public final static void main(String[] args) 
        System.out.println(HtmlSanitizer.pattern);

        System.out.println(HtmlSanitizer.sanitize("<font size=\"5\"><p>some text</p><br/> <p>another text</p></font>"));
    

我写这个是为了符合 Java 1.4，出于一些可悲的原因，所以请随意使用 StringBuilder...

优点：

您可以生成要去除的标签列表，这意味着您可以保留您想要的标签 避免剥离不是 HTML 标记的内容 保留空格

缺点：

您必须列出所有要从字符串中去除的 HTML 标记。这可能很多，例如，如果您想剥离所有内容。

如果您发现任何其他缺点，我真的很高兴知道它们。

【参考方案5】：

如果你使用Jericho，那么你只需要使用这样的东西：

public String extractAllText(String htmlText)
    Source source = new Source(htmlText);
    return source.getTextExtractor().toString();

当然，即使使用Element，您也可以这样做：

for (Element link : links) 
  System.out.println(link.getTextExtractor().toString());