从字符串中移除HTML标签 [英] Remove HTML tags from a String

问题描述

有没有一种从Java字符串中移除HTML的好方法？一个简单的正则表达式像

  replaceAll（\\<。*？>，）
  

可以工作，但是像& amp; wont被正确地转换，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）。

解决方案

使用HTML解析器而不是正则表达式。使用 Jsoup ，这很简单。

  public static String html2text（String html）{
 return Jsoup.parse（html）.text（）; 
} 
  

Jsoup也支持根据可定制的白名单移除HTML标记，如果您只允许例如< b> ，< i> 和< u> $ b $ h3另请参见：

$ ul $ b $ li


什么是领先的Java HTML解析器的优缺点？

我在寻找一个Java的HTML编码器

Is there a good way to remove HTML from a Java string? A simple regex like

 replaceAll("\\<.*?>","") 

will work, but things like & wont be converted correctly and non-HTML between the two angle brackets will be removed (i.e. the .*? in the regex will disappear).

解决方案

Use a HTML parser instead of regex. This is dead simple with Jsoup.

public static String html2text(String html) {
    return Jsoup.parse(html).text();
}

Jsoup also supports removing HTML tags against a customizable whitelist, which is very useful if you want to allow only e.g. <b>, <i> and <u>.

See also:

• RegEx match open tags except XHTML self-contained tags
• What are the pros and cons of the leading Java HTML parsers?
• I'm looking for a Java HTML encoder
• XSS prevention in JSP/Servlet web application

这篇关于从字符串中移除HTML标签的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！