如何在Java中删除HTML标签

Question

有没有一个能完全删除 HTML 标签的正则表达式呢？顺便说一下，我正在使用 Java。

- freddiefujiwara

---

在搜索框中键入您的标题，我得到了以下结果：http://stackoverflow.com/search?q=How+to+remove+HTML+tag+in+Java...您在发布问题时没有得到相同的结果吗？ - kdgregory

我没有发现重复。这些问题关于从HTML中提取文本：https://dev59.com/UXVC5IYBdhLWcg3wnCaA https://dev59.com/EXRA5IYBdhLWcg3wxA9N - tangens

Answer 1

有一个针对HTML操作的Java库叫做JSoup。看一下clean()方法和WhiteList对象。这是一个易于使用的解决方案！

- Simon

---

哇，您真的让我开心，我喜欢这个！Markdownj、Markdown4J、htmlCleaner...它们都不太好用。JSoup是唯一一个可以用一行代码实现的： String plain = new HtmlToPlainText().getPlainText(Jsoup.parse(html)); - jebbie

更短的代码可以是String plaintext = Jsoup.parse(html).text();，此行代码的作用是将HTML字符串解析并转换为纯文本形式。 - jrarama

@jrarama - 绝对不是这样。Jsoup.parse(html).text() 删除了所有标签和空格，只留下一个长长的单行文本，而new HtmlToPlainText().getPlainText(Jsoup.parse(html)) 以简单的方式格式化文本，保留换行符、段落、项目符号等。 - isapir

@isapir：HtmlToPlainText未包含在https://mvnrepository.com/artifact/org.jsoup/jsoup/1.11.3中。 - Marco Sulla

这是因为HtmlToPlainText是一个示例，可以参见https://github.com/jhy/jsoup/blob/master/src/main/java/org/jsoup/examples/HtmlToPlainText.java。 - ChrLipp

Answer 2

你应该使用一个HTML解析器。我喜欢 htmlCleaner，因为它可以给我一个格式化后的HTML版本。

通过使用htmlCleaner，你可以做到：

TagNode root = htmlCleaner.clean( stream );
Object[] found = root.evaluateXPath( "//div[id='something']" );
if( found.length > 0 && found instanceof TagNode ) {
    ((TagNode)found[0]).removeFromTree();
}

- tangens

---

谢谢你指引我使用htmlCleaner :) - exhuma

我们需要获取任何库来使用上面的代码吗？而在 root.evaluateXPath("//div[id='something']"); 中，"something" 可以是任何 id，对吗？请告诉我。谢谢。 - Geet taunk

Answer 3

如果您只需要删除标记，则可以使用此正则表达式：

content = content.replaceAll("<[^>]+>", "");

这将仅移除标签，但不会移除其他HTML内容。对于更复杂的内容，您应该使用解析器。

编辑：为避免HTML注释问题，您可以采取以下措施：

content = content.replaceAll("<!--.*?-->", "").replaceAll("<[^>]+>", "");

- Andrey Adamovich

---

由于您没有使用任何肉类字符“。”，“^”和“$”，因此可以省略s和m标志。 - Bart Kiers

如果HTML包含带有嵌入的'<'或'>'字符的XML注释，这个正则表达式可能会导致混乱。 - Stephen C

Answer 4

不，根据定义，正则表达式无法解析HTML。

你可以使用正则表达式s/<[^>]*\>//或类似的简单方法，但这将是不够完善的，特别是如果你想要删除标签的内容。

正如另一个帖子所说，使用实际的HTML解析器。

- Moishe Lettvin

Answer 5

你不需要任何HTML解析器。下面的代码将删除所有HTML注释: htmlString = htmlString.replaceAll("(?s)<!--.*?-->", "");

- Saeid

Answer 6

您可以使用这个简单的代码来删除所有的HTML标签...

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

- Kandha

---

这将仅删除开放标签并保留未处理的关闭标签。 - jlordo

我从不会独自完成那样的工作 - 将HTML解析为纯文本真的是一项非常困难的工作，伙计.. - jebbie

它对我有效，但可能取决于标签、注释、脚本等的复杂性。因此，对于复杂情况，可能更好的选择是使用一个HTML库。 - jmoran