如何使用 Jsoup 从文本中仅删除 html 标签？

Question

我想使用 JSOUP 从文本中仅删除 html 标签。我使用了这里的解决方案（我之前关于 JSOUP 的问题）但经过一些检查后我发现 JSOUP 得到 JAVA 堆异常：大 html 的 OutOfMemoryError 但不是全部。例如，它在 html 2Mb 和 10000 行上失败。代码在最后一行抛出异常（不在 Jsoup.parse 上）：

public String StripHtml(String html){
  html = html.replace("&lt;", "<").replace("&gt;", ">");
  String[] tags = getAllStandardHtmlTags;
  Document thing = Jsoup.parse(html);
  for (String tag : tags) {
      for (Element elem : thing.getElementsByTag(tag)) {
          elem.parent().insertChildren(elem.siblingIndex(),elem.childNodes());
          elem.remove();
      }
  }
  return thing.html();
}

有办法解决吗？

Answer 1

或者，您可以尝试使用 Jsoup 清理功能。下面的代码将删除位于传递的 html 字符串中的所有 html 标签。

public String StripHtml(String html) {
    return Jsoup.clean(html, Whitelist.none());
}

白名单 ( Whitelist.none()) 告诉 Jsoup 清洁器哪些标签是允许的。如您所见，此处不允许使用任何 html 标签。任何未在白名单中引用的标签都将被删除。

您可能对其他提供的白名单感兴趣：

• 白名单.basic()
• Whitelist.basicWithImages()
• 白名单.none()
• Whitelist.relaxed()
• 白名单.simpleText()

可以通过添加标签（请参阅addTags方法）或删除标签（请参阅removeTags方法）来自定义这些基本白名单。

如果你想创建自己的白名单（小心！），这是要走的路：

Whitelist myCustomWhitelist = new Whitelist();
myCustomWhitelist.addTags("b", "em", ...);

在此处查看详细信息：Jsoup 白名单

汤1.8.3