java中解析HTML的方法：Jsoup和正则表达式

近期由于项目安全需要，为了防止XSS注入，对于上传的HTML文件需要过滤JS和CSS，对于一些公用的可以采取白名单的方式，这里记录下解析HTML文件的方法。

第一种：JSOUP

File input = new File("C:\\Users\\Administrator\\Desktop\\test.html");
        Document doc = Jsoup.parse(input, "UTF-8", "");
        Elements elements = doc.getElementsByTag("script");
        for (Element element : elements) {
            System.out.println(element.attr("src"));
        }

第二种：正则表达式：

1. /** 
2.      * 获取指定HTML标签的指定属性的值 
3.      * @param source 要匹配的源文本 
4.      * @param element 标签名称 
5.      * @param attr 标签的属性名称 
6.      * @return 属性值列表 
7.      */  
8.     public static List<String> match(String source, String element, String attr) {  
9.         List<String> result = new ArrayList<String>();  
10.         String reg = "<" + element + "[^<>]*?\\s" + attr + "=['\"]?(.*?)['\"]?(\\s.*?)?>";  
11.         Matcher m = Pattern.compile(reg).matcher(source);  
12.         while (m.find()) {  
13.             String r = m.group(1);  
14.             result.add(r);  
15.         }  
16.         return result;  
17.     }  
18.       
19.     public static void main(String[] args) {  
20.         String source = "<a title=中国体育报 href=''>aaa</a><a title='北京日报' href=''>bbb</a>";  
21.         List<String> list = match(source, "a", "title");  
22.         System.out.println(list);  
23.     }