如何在字符串中移除HTML标签中的所有HTML属性

Question

我正在尝试处理一个包含HTML的字符串，需要删除一些标签（img、object）和其他所有HTML标签，同时删除它们的属性。例如：

<div id="someId" style="color: #000000">
   <p class="someClass">Some Text</p>
   <img src="images/someimage.jpg" alt="" />
   <a href="somelink.html">Some Link Text</a>
</div>

Would become:

<div>
   <p>Some Text</p>
   Some Link Text
</div>

我正在尝试:

string.replaceAll("<\/?[img|object](\s\w+(\=\".*\")?)*\>", ""); //REMOVE img/object

我不确定如何删除标签内的所有属性。

如果有帮助，将不胜感激。

谢谢。

- fanfavorite

---

我怀疑你能否用一个正则表达式完成这个任务。 - Ash Burlaczenko

我怀疑你无法使用正则表达式完成这个任务。 - karim79

我不需要一个正则表达式，只需要一些有意义的东西，能够满足我的需求。你会如何建议实现它？ - fanfavorite

Answer 1

您可以这样移除所有属性：

string.replaceAll("(<\\w+)[^>]*(>)", "$1$2");

这个表达式匹配一个开标签，但只捕获它的头部<div和闭合标签>作为第1组和第2组。 replaceAll使用对这些组的引用将它们连接回输出中作为$1$2。这样就去掉了标记中间的属性。

- Sergey Kalinichenko

---

由于某些原因，这个程序给我返回了一个java.lang.NullPointerException错误。 - fanfavorite

不应该，除非你的字符串是null。 - Sergey Kalinichenko

在我进行任何操作之前，我会检查它是否为空或空字符串。如果我更改了replaceAll部分，那么它可以正常工作，所以不确定replaceAll部分出现了什么问题。 - fanfavorite

@fanfavorite 你能否在调用 replaceAll 之前添加控制台输出或在调试器中检查该值？我在这里的在线测试器中检查了这个表达式，它可以按照你需要的方式正常工作。 - Sergey Kalinichenko

请注意，这个操作不会删除<a>标签，而是将其内容保留，如期望的结果所示。 - BalusC

@BalusC 这可以通过在删除属性之后从OP运行"kill tags" transform来解决。当然，需要将a与当前需要删除的img和object一起添加到需要删除的标签列表中。 - Sergey Kalinichenko

Answer 2

我不建议使用正则表达式来过滤特定标签。这将是一项很艰巨的工作，并且永远无法完全可靠。使用普通的HTML解析器，如Jsoup。它提供了Whitelist API来清理HTML。另请参见this cookbook document。

以下是一个使用Jsoup的起始示例，它只允许在所选Whitelist的标准标签旁边使用<div>和<p>标签，该示例中的Whitelist#simpleText()。

String html = "<div id='someId' style='color: #000000'><p class='someClass'>Some Text</p><img src='images/someimage.jpg' alt='' /><a href='somelink.html'>Some Link Text</a></div>";
Whitelist whitelist = Whitelist.simpleText(); // Whitelist.simpleText() allows b, em, i, strong, u. Use Whitelist.none() instead if you want to start clean.
whitelist.addTags("div", "p");
String clean = Jsoup.clean(html, whitelist);
System.out.println(clean);

这导致

<div>
   <p>Some Text</p>Some Link Text
</div>

参见：

• 如何实现用户以安全的方式发布一些HTML格式的数据？

- BalusC

---

很难告诉人们，即使是在标签方面，使用正则表达式的用户也很少能够应用简单的正则表达式。每个人都认为自己都懂，但实际上几乎没有人真正掌握。所以这有点像以某种社交可接受的方式说“你不够聪明”。相当难以建设性地表达。 - tchrist

Answer 3

/<(/?\w+) .*?>/<\1>/ 可能会奏效 - 它获取标签（匹配组）并读取关闭括号之前的任何属性，然后将其替换为只有方括号和标签。

- Alexander Corwin

Answer 4

如果您使用SAX或DOM，并获取节点名称和值，然后删除所有属性，那么这可能会更容易。

- Churk