用正则表达式剔除文本中的html标签

1 问题背景

对接支付渠道的发起支付的接口的时候，要求传商品长描述，而商品长描述有很多html网页标签，比如<h1></h1>、<p></p>等。需要将这些标签剔除掉，只传纯文本。

2 思路

用正则表达式，把这些标签都匹配上，然后用空字符串替换掉。

3 解决方案

代码如下：

public class Processor {
    private static final String REG_EX = "</?[^>]+>";

    public static String removeTag(String rawText) {
        String result = rawText.replaceAll(REG_EX, "");
        return result;
    }

}

4 解释

采用的正则表达式是</?[^>]+>

解释：

• < ：表示匹配所有的<
• /?：表示/出现0次或1次。?就是前面的字符出现0次或1次
• [^>]+：表示除了>以外任意字符，至少1个或n个。[^x]表示除了x以外，+表示出现1个或n个
• >：最后的>表示以>作为结尾