Java去除掉HTML里面所有标签,

Java去除掉HTML里面所有标签的两种方法——开源jar包和自己写正则表达式

时间 2015-06-16 10:17:20 博客园精华区

原文  http://www.cnblogs.com/wytings/p/4580065.html

主题 Java HTML 开源

主要就两种，要么用开源的jar处理，要么就自己写正则表达式。自己写的话，可能处理不全一些自定义的标签。企业应用基本都是能找开源就找开源，实在不行才自己写……

1，开源的，我目前找到的就是Jsoup包：

  public static String getTextFromTHML(String htmlStr) {
  Document doc = Jsoup.parse(htmlStr);
  String text = doc.text();
  // remove extra white space
  StringBuilder builder = new StringBuilder(text);
  int index = 0;
  while(builder.length()>index){
    char tmp = builder.charAt(index);
    if(Character.isSpaceChar(tmp) || Character.isWhitespace(tmp)){
      builder.setCharAt(index, ' ');
    }
    index++;
  }
  text = builder.toString().replaceAll(" +", " ").trim();
  return text;
}

2，自己写的话，百度一搜一大堆，这里只是借用一下：

public static String removeTag(String htmlStr) {
  String regEx_script = "<script[^>]*?>[\\s\\S]*?<\\/script>"; // script
  String regEx_style = "<style[^>]*?>[\\s\\S]*?<\\/style>"; // style
  String regEx_html = "<[^>]+>"; // HTML tag
  String regEx_space = "\\s+|\t|\r|\n";// other characters

  Pattern p_script = Pattern.compile(regEx_script,
    Pattern.CASE_INSENSITIVE);
  Matcher m_script = p_script.matcher(htmlStr);
  htmlStr = m_script.replaceAll("");
  Pattern p_style = Pattern
    .compile(regEx_style, Pattern.CASE_INSENSITIVE);
  Matcher m_style = p_style.matcher(htmlStr);
  htmlStr = m_style.replaceAll("");
  Pattern p_html = Pattern.compile(regEx_html, Pattern.CASE_INSENSITIVE);
  Matcher m_html = p_html.matcher(htmlStr);
  htmlStr = m_html.replaceAll("");
  Pattern p_space = Pattern
    .compile(regEx_space, Pattern.CASE_INSENSITIVE);
  Matcher m_space = p_space.matcher(htmlStr);
  htmlStr = m_space.replaceAll(" ");
  return htmlStr;
    }