有没有一种从Java字符串中删除HTML的好方法？一个简单的正则表达式
replaceAll("\\<.*?>","")
会工作,但&不会正确转换,两个尖括号之间的非HTML将被删除(即.*?正则表达式将消失).
使用HTML解析器而不是正则表达式.使用Jsoup这很简单.
public static String html2text(String html) {
return Jsoup.parse(html).text();
}
Jsoup还支持对可定制的白名单,如果你希望只允许例如这是非常有用的去除HTML标签,和.
除了XHTML自包含标记之外,RegEx匹配开放标记
领先的Java HTML解析器的优缺点是什么？
JSP/Servlet Web应用程序中的XSS预防
如果你正在为Android写作,你可以这样做......
android.text.Html.fromHtml(instruction).toString()
如果用户输入hey!,您要显示hey!还是hey!？如果第一个,逃避少数,和html编码&符号(和可选的引号),你很好.对代码实施第二个选项的修改是:
replaceAll("\\<[^>]*>","")
但如果用户输入格式错误的内容,您将遇到问题
您还可以查看将解析"脏"html输入的JTidy,并且应该为您提供一种删除标记的方法,保留文本.
尝试剥离html的问题是浏览器具有非常宽松的解析器,比你能找到的任何库都宽松,所以即使你尽力剥离所有标签(使用上面的替换方法,DOM库或JTidy) ,您仍然需要确保编码任何剩余的HTML特殊字符,以确保您的输出安全.
另一种方法是使用 javax.swing.text.html.HTMLEditorKit来提取文本.
import java.io.*;
import javax.swing.text.html.*;
import javax.swing.text.html.parser.*;
public class Html2Text extends HTMLEditorKit.ParserCallback {
StringBuffer s;
public Html2Text() {
}
public void parse(Reader in) throws IOException {
s = new StringBuffer();
ParserDelegator delegator = new ParserDelegator();
// the third parameter is TRUE to ignore charset directive
delegator.parse(in, this, Boolean.TRUE);
}
public void handleText(char[] text, int pos) {
s.append(text);
}
public String getText() {
return s.toString();
}
public static void main(String[] args) {
try {
// the HTML to convert
FileReader in = new FileReader("java-new.html");
Html2Text parser = new Html2Text();
parser.parse(in);
in.close();
System.out.println(parser.getText());
} catch (Exception e) {
e.printStackTrace();
}
}
}
ref:从文件中删除HTML标记以仅提取TEXT
我认为过滤html标签的最简单方法是:
private static final Pattern REMOVE_TAGS = Pattern.compile("<.+?>");
public static String removeTags(String string) {
if (string == null || string.length() == 0) {
return string;
}
Matcher m = REMOVE_TAGS.matcher(string);
return m.replaceAll("");
}
使用Jericho也很简单,你可以保留一些格式(例如换行符和链接).
Source htmlSource = new Source(htmlText);
Segment htmlSeg = new Segment(htmlSource, 0, htmlSource.length());
Renderer htmlRend = new Renderer(htmlSeg);
System.out.println(htmlRend.toString());
接受的答案Jsoup.parse(html).text()只有两个潜在的问题(使用JSoup 1.7.3):
它从文本中删除换行符
它将文本<script>转换为
Tags | 热门标签
RankList | 热门文章
京公网安备 11010802040832号 | 京ICP备19059560号-6 