在Java中剥离HTML标记

是否有现有的Java库提供了从String中剥离所有HTML标记的方法？我正在寻找strip_tags与PHP中的函数等效的东西.

我知道我可以使用这个Stackoverflow问题中描述的正则表达式,但是我很好奇是否已经有一个stripTags()方法可以在Apache Commons库中的某个地方浮动,可以使用.

使用JSoup,它有很好的文档记录,可以在Maven上使用,经过一天的花费时间与几个库,对我来说,这是我能想象的最好的..我自己的意见是,这样的工作,解析html到plain-文本,应该可以在一行代码 - >否则库已经以某种方式失败...只是说^^所以这里是,JSoup的单行 - 在Markdown4J,类似的东西是不可能的,在Markdownj ,在htmlCleaner中,这有点大约50行代码的痛苦...

String plain = new HtmlToPlainText().getPlainText(Jsoup.parse(html));

你得到的是真正的纯文本(不仅仅是作为字符串的html源代码,就像在其他库中一样) - >他真的做得很好.它与Markdownify for PHP或多或少相同的质量....

无论您做什么,请确保在开始尝试剥离标记之前对数据进行标准化.我最近参加了一个涵盖XSS过滤器规避的Web应用安全研讨会.人们通常认为搜索<或<或其十六进制等效就足够了.看到幻灯片后,我看到了一个<可以编码为超过滤镜的70种方式.

更新:

下面是我所指的演示文稿,请参阅幻灯片26,了解70种编码方式<.

过滤器逃避:电线上的Houdini

这是我在谷歌上发现的.对我来说它工作得很好.

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

String html = "bla hehe 
 this is awesome simple";

String text = Jsoup.parse(html).text();

    import static com.lyncode.jtwig.functions.util.HtmlUtils.stripTags;

    public class StripTagsExample {
      public static void main(String... args) {
        String result = stripTags("Test", "");
        // Produced result: Test
      }
    }