是否有从Java字符串中删除HTML的好方法？ 一个简单的正则表达式
replaceAll("\\<.*?>","")
可以使用，但& 不会正确转换，两个尖括号之间的非HTML将被删除（即，正则表达式中的.*?将消失）。
#1楼
为此，也可以使用Apache Tika 。 默认情况下，它会保留剥离的html中的空格，这在某些情况下可能是需要的：
InputStream htmlInputStream = ..
HtmlParser htmlParser = new HtmlParser();
HtmlContentHandler htmlContentHandler = new HtmlContentHandler();
htmlParser.parse(htmlInputStream, htmlContentHandler, new Metadata())
System.out.println(htmlContentHandler.getBodyText().trim())
#2楼
要获取带格式的纯HTML文本，您可以执行以下操作：
String BR_ESCAPED = "<br/>";
Element el=Jsoup.parse(html).select("body");
el.select("br").append(BR_ESCAPED);
el.select("p").append(BR_ESCAPED+BR_ESCAPED);
el.select("h1").append(BR_ESCAPED+BR_ESCAPED);
el.select("h2").append(BR_ESCAPED+BR_ESCAPED);
el.select("h3").append(BR_ESCAPED+BR_ESCAPED);
el.select("h4").append(BR_ESCAPED+BR_ESCAPED);
el.select("h5").append(BR_ESCAPED+BR_ESCAPED);
String nodeValue=el.text();
nodeValue=nodeValue.replaceAll(BR_ESCAPED, "<br/>");
nodeValue=nodeValue.replaceAll("(\\s*<br[^>]*>){3,}", "<br/><br/>");
要获得带格式的纯文本，请将 <br/>更改为\\ n，并将最后一行更改为：
nodeValue=nodeValue.replaceAll("(\\s*\n){3,}", "<br/><br/>");
#3楼
或者，可以使用HtmlCleaner ：
private CharSequence removeHtmlFrom(String html) {
return new HtmlCleaner().clean(html).getText();
}
#4楼
简单地执行Jsoup.parse(html).text()的公认答案有两个潜在的问题（对于JSoup 1.7.3）：
- 它从文本中删除换行符
- 它转换文本
<script>进入<script>
如果使用它来防止XSS攻击，这会有点烦人。 这是我同时使用JSoup和Apache StringEscapeUtils改进解决方案的最佳镜头：
// breaks multi-level of escaping, preventing &lt;script&gt; to be rendered as <script>
String replace = input.replace("&", "");
// decode any encoded html, preventing <script> to be rendered as <script>
String html = StringEscapeUtils.unescapeHtml(replace);
// remove all html tags, but maintain line breaks
String clean = Jsoup.clean(html, "", Whitelist.none(), new Document.OutputSettings().prettyPrint(false));
// decode html again to convert character entities back into text
return StringEscapeUtils.unescapeHtml(clean);
请注意，最后一步是因为我需要将输出用作纯文本。 如果只需要HTML输出，则应该可以将其删除。
这是一堆测试用例（输入到输出）：
{"regular string", "regular string"},
{"<a href=\"link\">A link</a>", "A link"},
{"<script src=\"http://evil.url.com\"/>", ""},
{"<script>", ""},
{"&lt;script&gt;", "lt;scriptgt;"}, // best effort
{"\" ' > < \n \\ é å à ü and & preserved", "\" ' > < \n \\ é å à ü and & preserved"}
如果您找到改善方法，请告诉我。
#5楼
如果用户输入<b>hey!</b> ，您是否要显示<b>hey!</b>或hey! ？ 如果是第一个，则转义小于号，并用html编码“与”号（以及可选的引号），就可以了。 为实现第二个选项而对代码进行的修改是：
replaceAll("\\<[^>]*>","")
但是如果用户输入格式错误的内容（例如<bhey!</b> ，则会遇到问题。
您还可以签出JTidy ，它将解析“肮脏”的html输入，并应为您提供一种删除标记并保留文本的方法。
尝试剥离html的问题是浏览器的解析器非常宽松，比您可以找到的任何库都宽松，因此即使您尽力剥离所有标签（使用上面的replace方法，DOM库或JTidy） ，您仍然需要确保对所有剩余的HTML特殊字符进行编码，以确保输出安全。
#6楼
HTML转义真的很难做到正确-我绝对建议您使用库代码来执行此操作，因为它比您想象的要微妙得多。 请查看Apache的StringEscapeUtils ，以获取一个很好的库来用Java处理该库。
#7楼
您可能希望在剥离HTML之前用换行符替换<br/>和</p>标记，以防止HTML变得像Tim所建议的那样混乱。
我想删除HTML标签但将非HTML放在尖括号之间的唯一方法是对照HTML标签列表进行检查。 这些东西...
replaceAll("\\<[\s]*tag[^>]*>","")
然后HTML解码特殊字符，例如& 。 结果不应视为经过消毒。
#8楼
从字符串中删除HTML标记。 我们需要在某个地方解析一些字符串，这些字符串是由诸如Httpresponse之类的一些响应从服务器接收到的。
所以我们需要解析它。
在这里，我将展示如何从字符串中删除html标签。
// sample text with tags
string str = "<html><head>sdfkashf sdf</head><body>sdfasdf</body></html>";
// regex which match tags
System.Text.RegularExpressions.Regex rx = new System.Text.RegularExpressions.Regex("<[^>]*>");
// replace all matches with empty strin
str = rx.Replace(str, "");
//now str contains string without html tags
#9楼
这是一个稍微充实的更新，以尝试处理一些中断和列表格式。 我以Amaya的输出为指导。
import java.io.IOException;
import java.io.Reader;
import java.io.StringReader;
import java.util.Stack;
import java.util.logging.Logger;
import javax.swing.text.MutableAttributeSet;
import javax.swing.text.html.HTML;
import javax.swing.text.html.HTMLEditorKit;
import javax.swing.text.html.parser.ParserDelegator;
public class HTML2Text extends HTMLEditorKit.ParserCallback {
private static final Logger log = Logger
.getLogger(Logger.GLOBAL_LOGGER_NAME);
private StringBuffer stringBuffer;
private Stack<IndexType> indentStack;
public static class IndexType {
public String type;
public int counter; // used for ordered lists
public IndexType(String type) {
this.type = type;
counter = 0;
}
}
public HTML2Text() {
stringBuffer = new StringBuffer();
indentStack = new Stack<IndexType>();
}
public static String convert(String html) {
HTML2Text parser = new HTML2Text();
Reader in = new StringReader(html);
try {
// the HTML to convert
parser.parse(in);
} catch (Exception e) {
log.severe(e.getMessage());
} finally {
try {
in.close();
} catch (IOException ioe) {
// this should never happen
}
}
return parser.getText();
}
public void parse(Reader in) throws IOException {
ParserDelegator delegator = new ParserDelegator();
// the third parameter is TRUE to ignore charset directive
delegator.parse(in, this, Boolean.TRUE);
}
public void handleStartTag(HTML.Tag t, MutableAttributeSet a, int pos) {
log.info("StartTag:" + t.toString());
if (t.toString().equals("p")) {
if (stringBuffer.length() > 0
&& !stringBuffer.substring(stringBuffer.length() - 1)
.equals("\n")) {
newLine();
}
newLine();
} else if (t.toString().equals("ol")) {
indentStack.push(new IndexType("ol"));
newLine();
} else if (t.toString().equals("ul")) {
indentStack.push(new IndexType("ul"));
newLine();
} else if (t.toString().equals("li")) {
IndexType parent = indentStack.peek();
if (parent.type.equals("ol")) {
String numberString = "" + (++parent.counter) + ".";
stringBuffer.append(numberString);
for (int i = 0; i < (4 - numberString.length()); i++) {
stringBuffer.append(" ");
}
} else {
stringBuffer.append("* ");
}
indentStack.push(new IndexType("li"));
} else if (t.toString().equals("dl")) {
newLine();
} else if (t.toString().equals("dt")) {
newLine();
} else if (t.toString().equals("dd")) {
indentStack.push(new IndexType("dd"));
newLine();
}
}
private void newLine() {
stringBuffer.append("\n");
for (int i = 0; i < indentStack.size(); i++) {
stringBuffer.append(" ");
}
}
public void handleEndTag(HTML.Tag t, int pos) {
log.info("EndTag:" + t.toString());
if (t.toString().equals("p")) {
newLine();
} else if (t.toString().equals("ol")) {
indentStack.pop();
;
newLine();
} else if (t.toString().equals("ul")) {
indentStack.pop();
;
newLine();
} else if (t.toString().equals("li")) {
indentStack.pop();
;
newLine();
} else if (t.toString().equals("dd")) {
indentStack.pop();
;
}
}
public void handleSimpleTag(HTML.Tag t, MutableAttributeSet a, int pos) {
log.info("SimpleTag:" + t.toString());
if (t.toString().equals("br")) {
newLine();
}
}
public void handleText(char[] text, int pos) {
log.info("Text:" + new String(text));
stringBuffer.append(text);
}
public String getText() {
return stringBuffer.toString();
}
public static void main(String args[]) {
String html = "<html><body><p>paragraph at start</p>hello<br />What is happening?<p>this is a<br />mutiline paragraph</p><ol> <li>This</li> <li>is</li> <li>an</li> <li>ordered</li> <li>list <p>with</p> <ul> <li>another</li> <li>list <dl> <dt>This</dt> <dt>is</dt> <dd>sdasd</dd> <dd>sdasda</dd> <dd>asda <p>aasdas</p> </dd> <dd>sdada</dd> <dt>fsdfsdfsd</dt> </dl> <dl> <dt>vbcvcvbcvb</dt> <dt>cvbcvbc</dt> <dd>vbcbcvbcvb</dd> <dt>cvbcv</dt> <dt></dt> </dl> <dl> <dt></dt> </dl></li> <li>cool</li> </ul> <p>stuff</p> </li> <li>cool</li></ol><p></p></body></html>";
System.out.println(convert(html));
}
}
#10楼
在Android上，尝试以下操作：
String result = Html.fromHtml(html).toString();
#11楼
使用HTML解析器代替正则表达式。 对于Jsoup来说，这简直太简单了。
public static String html2text(String html) {
return Jsoup.parse(html).text();
}
Jsoup还支持针对可自定义的白名单删除HTML标记，如果您只想允许<b> ， <i>和<u> ，这将非常有用。
也可以看看：
#12楼
使用JSoup保留换行信息的一种方法是，在所有新行标记之前添加一些伪字符串，执行JSoup并将伪字符串替换为“ \\ n”。
String html = "<p>Line one</p><p>Line two</p>Line three<br/>etc.";
String NEW_LINE_MARK = "NEWLINESTART1234567890NEWLINEEND";
for (String tag: new String[]{"</p>","<br/>","</h1>","</h2>","</h3>","</h4>","</h5>","</h6>","</li>"}) {
html = html.replace(tag, NEW_LINE_MARK+tag);
}
String text = Jsoup.parse(html).text();
text = text.replace(NEW_LINE_MARK + " ", "\n\n");
text = text.replace(NEW_LINE_MARK, "\n\n");
#13楼
使用Html.fromHtml
HTML标签是
<a href=”…”> <b>, <big>, <blockquote>, <br>, <cite>, <dfn>
<div align=”…”>, <em>, <font size=”…” color=”…” face=”…”>
<h1>, <h2>, <h3>, <h4>, <h5>, <h6>
<i>, <p>, <small>
<strike>, <strong>, <sub>, <sup>, <tt>, <u>
根据Android的官方文档 ， HTML中的任何标签都将显示为通用替换字符串 ，您的程序可以通过该字符串替换并用真实字符串替换。
Html.formHtml方法将Html.TagHandler和Html.ImageGetter用作参数以及要解析的文本。
例
String Str_Html=" <p>This is about me text that the user can put into their profile</p> ";
然后
Your_TextView_Obj.setText(Html.fromHtml(Str_Html).toString());
输出量
这是关于我的文字，用户可以将其放入个人资料中
#14楼
另一种方法是使用com.google.gdata.util.common.html.HtmlToText类，例如
MyWriter.toConsole(HtmlToText.htmlToPlainText(htmlResponse));
但是，这不是防弹代码，当我在Wikipedia条目上运行它时，我也会获得样式信息。 但是我相信对于小型/简单的工作，这将是有效的。
#15楼
对于我指出的测试用例，可接受的答案对我不起作用：“ a <b或b> c”的结果是“ ab或b> c”。
因此，我改用TagSoup。 这是适用于我的测试用例（和其他几个用例）的镜头：
import java.io.IOException;
import java.io.StringReader;
import java.util.logging.Logger;
import org.ccil.cowan.tagsoup.Parser;
import org.xml.sax.Attributes;
import org.xml.sax.ContentHandler;
import org.xml.sax.InputSource;
import org.xml.sax.Locator;
import org.xml.sax.SAXException;
import org.xml.sax.XMLReader;
/**
* Take HTML and give back the text part while dropping the HTML tags.
*
* There is some risk that using TagSoup means we'll permute non-HTML text.
* However, it seems to work the best so far in test cases.
*
* @author dan
* @see <a href="http://home.ccil.org/~cowan/XML/tagsoup/">TagSoup</a>
*/
public class Html2Text2 implements ContentHandler {
private StringBuffer sb;
public Html2Text2() {
}
public void parse(String str) throws IOException, SAXException {
XMLReader reader = new Parser();
reader.setContentHandler(this);
sb = new StringBuffer();
reader.parse(new InputSource(new StringReader(str)));
}
public String getText() {
return sb.toString();
}
@Override
public void characters(char[] ch, int start, int length)
throws SAXException {
for (int idx = 0; idx < length; idx++) {
sb.append(ch[idx+start]);
}
}
@Override
public void ignorableWhitespace(char[] ch, int start, int length)
throws SAXException {
sb.append(ch);
}
// The methods below do not contribute to the text
@Override
public void endDocument() throws SAXException {
}
@Override
public void endElement(String uri, String localName, String qName)
throws SAXException {
}
@Override
public void endPrefixMapping(String prefix) throws SAXException {
}
@Override
public void processingInstruction(String target, String data)
throws SAXException {
}
@Override
public void setDocumentLocator(Locator locator) {
}
@Override
public void skippedEntity(String name) throws SAXException {
}
@Override
public void startDocument() throws SAXException {
}
@Override
public void startElement(String uri, String localName, String qName,
Attributes atts) throws SAXException {
}
@Override
public void startPrefixMapping(String prefix, String uri)
throws SAXException {
}
}
#16楼
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("");
}
#17楼
您可以简单地制作一个具有多个replaceAll（）的方法，例如
String RemoveTag(String html){
html = html.replaceAll("\\<.*?>","")
html = html.replaceAll(" ","");
html = html.replaceAll("&"."");
----------
----------
return html;
}
使用此链接进行所需的最常见替换： http : //tunes.org/wiki/html_20special_20characters_20and_20symbols.html
它简单但有效。 我首先使用此方法删除垃圾，但不删除第一行，即replaceAll（“ \\ <。*？>”，“”），然后我使用特定的关键字搜索索引，然后使用.substring（start，end ）剥离不必要的东西的方法。 由于这更加可靠，因此您可以在整个html页面中准确指出所需的内容。
#18楼
这应该工作-
用这个
text.replaceAll('<.*?>' , " ") -> This will replace all the html tags with a space.
和这个
text.replaceAll('&.*?;' , "")-> this will replace all the tags which starts with "&" and ends with ";" like , &, > etc.
#19楼
听起来您想从HTML变为纯文本。
如果是这种情况，请访问www.htmlparser.org。 这是一个示例，该示例从URL处的html文件中剥离所有标签。
它利用了org.htmlparser.beans.StringBean 。
static public String getUrlContentsAsText(String url) {
String content = "";
StringBean stringBean = new StringBean();
stringBean.setURL(url);
content = stringBean.getStrings();
return content;
}
#20楼
另一种方法是使用javax.swing.text.html.HTMLEditorKit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
#21楼
classeString.replaceAll("\\<(/?[^\\>]+)\\>", "\\ ").replaceAll("\\s+", " ").trim()
#22楼
这是如何替换所有内容的另一种变体（HTML标记| HTML实体| HTML内容中的空白区域）
content.replaceAll("(<.*?>)|(&.*?;)|([ ]{2,})", ""); 内容是一个字符串。
#23楼
您可以简单地使用Android的默认HTML过滤器
public String htmlToStringFilter(String textToFilter){
return Html.fromHtml(textToFilter).toString();
}
上面的方法将为您的输入返回经过HTML过滤的字符串。
#24楼
我知道这很旧，但是我只是在一个需要过滤HTML的项目上正常工作：
noHTMLString.replaceAll("\\&.*?\\;", "");
代替这个：
html = html.replaceAll(" ","");
html = html.replaceAll("&"."");
#25楼
如果您是为Android编写的，则可以执行此操作...
android.text.Html.fromHtml(instruction).toString()
#26楼
使用Jericho也非常简单，您可以保留一些格式（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());
#27楼
我的5美分：
String[] temp = yourString.split("&");
String tmp = "";
if (temp.length > 1) {
for (int i = 0; i < temp.length; i++) {
tmp += temp[i] + "&";
}
yourString = tmp.substring(0, tmp.length() - 1);
}
#28楼
这是另一种方法：
public static String removeHTML(String input) {
int i = 0;
String[] str = input.split("");
String s = "";
boolean inTag = false;
for (i = input.indexOf("<"); i < input.indexOf(">"); i++) {
inTag = true;
}
if (!inTag) {
for (i = 0; i < str.length; i++) {
s = s + str[i];
}
}
return s;
}
385
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
