如何在Java中删除HTML标记

Question

是否有可以完全删除HTML标记的正则表达式？顺便说一下,我正在使用Java.

Answer 1

有JSoup这是HTML操作做一个Java库.看一下clean()方法和WhiteList对象.易于使用的解决方案!

Answer 2

您应该使用HTML解析器.我喜欢htmlCleaner,因为它给了我一个漂亮的HTML版本.

使用htmlCleaner,您可以:

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

Answer 3

如果您只需要删除标签,那么您可以使用此正则表达式:

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

它只会删除标签,而不会删除其他HTML内容.对于更复杂的事情,您应该使用解析器.

编辑:为避免HTML注释出现问题,您可以执行以下操作:

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