如何使用 java regex 删除 MS Word 不必要的 html 标签
Posted
技术标签:
【中文标题】如何使用 java regex 删除 MS Word 不必要的 html 标签【英文标题】：How to remove MS Word unnecessary html tags using java regex 【发布时间】：2021-03-04 12:09:50 【问题描述】：我有一个所见即所得的编辑器，有时用户会从 MS Word 中剪切和粘贴。在我的服务器端 java 中，我试图从粘贴的 html 中删除不必要的 html，例如：
<o:p>
应该是：
<p>
我要删除的模式是：
//Remove:
// unnecessary tag spans (comments and title)
// <!--(w|W)+?-->
// <title>(w|W)+?</title>
//classes and styles
// s?class=w+
// s+style='[^']+'
//unnecessary tags
// <(meta|link|/?o:|/?style|/?div|/?std|/?head|/?html|body|/?body|/?span|![)[^>]*?>
//empty paragraph tags
// (<[^>]+>)+ (</w+>)+
//bizarre v: element attached to <img> tag
// s+v:w+=""[^""]+""
我的代码是：
Pattern p = Pattern.compile("<!--(w|W)+?-->?|<title>(w|W)+?</title>?|s+style='[^']+'?|"
+ "<(meta|link|/?o:|/?style|/?div|/?std|/?head|/?html|body|/?body|/?span|![)[^>]*?>?|"
+ "(<[^>]+>)+ (</w+>)+?", Pattern.CASE_INSENSITIVE);
Matcher m = p.matcher(html);
String result = m.replaceAll("");
我得到错误：
java.util.regex.PatternSyntaxException: Unclosed character class near index 163
<!--(w|W)+?-->?|<title>(w|W)+?</title>?|s+style='[^']+'?|<(meta|link|/?o:|/?style|/?div|/?std|/?head|/?html|body|/?body|/?span|![)[^>]*?>?|(<[^>]+>)+ (</w+>)+?
谁能告诉我正确的语法。
Wiktor 提供了一个很好的答案；但是颜色样式已被删除，如果可能，我想保留它。
清洁前：
notClean: <p class="MsoNormal"><b><span lang="EN-AU" style="font-size:11.0pt;font-family:"Verdana",sans-serif;color:#006600">Special
Interest Area badges youth members can achieve, supported by Queensland
Environmental Education Team:<o:p></o:p></span></b></p><p class="MsoNormal"><b><span lang="EN-AU"> </span></b></p><p class="MsoNormal"><b><span lang="EN-AU"> </span></b></p><p>
</p><p class="MsoNormal"><b><i><span lang="EN-AU" style="font-size:11.0pt;font-family:"Verdana",sans-serif">Joey Scout SIA Badges
(2 hours each badge)</span></i></b><b><span lang="EN-AU" style="font-size:11.0pt;font-family:"Verdana",sans-serif"><o:p></o:p></span></b></p>
清洁后：
cleaned: <p class="MsoNormal"><b>Special
Interest Area badges youth members can achieve, supported by Queensland
Environmental Education Team:<p>
</p><p class="MsoNormal"><b><i>Joey Scout SIA Badges
(2 hours each badge)</i></b><b></b></p>
我试过了：
Pattern p = Pattern.compile("<!--.*?-->|<title>.*?</title>|"
+ "<(meta|link|/?o:|/?div|/?std|/?head|/?html|/?body|/?span|!\\[)[^>]*>|"
+ "(<[^>]+>)+ (</\\w+>)+", Pattern.CASE_INSENSITIVE|Pattern.DOTALL);
但是，样式仍然被删除。
我也不得不留下“跨度”。
【问题讨论】：
【参考方案1】：你可以使用
String html = "Cleaned!<!-- \nsome comment --><title> my title</title> style='OUR_STYLE'<meta ...>";
Pattern p = Pattern.compile("<!--.*?-->|<title>.*?</title>|\\s+style='[^']+'|"
+ "<(meta|link|/?o:|/?style|/?div|/?std|/?head|/?html|/?body|/?span|!\\[)[^>]*>|"
+ "(<[^>]+>)+ (</\\w+>)+", Pattern.CASE_INSENSITIVE|Pattern.DOTALL);
Matcher m = p.matcher(html);
String result = m.replaceAll("");
System.out.println(result);
// => Cleaned!
请参阅Java demo。
注意事项：
Pattern.DOTALL 使 . matcb 包括换行符在内的任何字符（因此无需使用像 [\w\W] 这样的解决方法）
不要忘记在正则表达式转义中转义反斜杠，例如 \s 或 \w（在 Java 字符串文字中，"\\s" 或 "\\w"）
不要忘记转义特殊的正则表达式元字符，例如[ 或(，请参阅What special characters must be escaped in regular expressions?
如果字符串中必须存在 char，请不要在其后面加上 ?（就像您的模式中的 > 一样），这会使 char 成为可选字符。
【讨论】：
你好维克托，谢谢。不过，我对此有一个问题。颜色格式被删除。我已经在我的问题中添加了之前和之后，因此它的格式正确。有没有办法保持“风格”？我尝试了上述方法。 @Glyn 抱歉，我不明白：如果您想保留所有样式，请删除|\\s+style='[^']+' 和其他与“样式”有关的内容。
嗨 Wiktor，从我的编辑中你会看到有一个 "style="font-size:11.0pt;font-family:"Verdana",sans-serif;color:#006600""在被删除的原件中。这包含“颜色：#006600”。我可以保留所有的“style= ....”吗？如果不是（即会破坏 html），那么我可以只保留颜色“style=color:#006600;”吗？我相信它应该以 ;)? 结尾？
嗨，Wiktor，我发现这是我需要离开的“跨度”。我会监控看看这是否会导致任何问题。非常感谢您的帮助！【参考方案2】：
我相信你需要转义特殊字符<([\^-=$!|])?*+.>
Here is a link with more info.
【讨论】：
以上是关于如何使用 java regex 删除 MS Word 不必要的 html 标签的主要内容，如果未能解决你的问题，请参考以下文章
如何在 MS 访问中运行 Regex（如果支持）？ [复制]
Java：String.replace(regex, string) 从 XML 中删除内容