正则表达式从字符串中删除HTML标记

Question

可能重复:
正则表达式以删除HTML标记

是否有一个表达式可以获取两个HTML标记之间的值？

鉴于这种:

<td class="played">0</td>

我正在寻找一个表达式,它将返回0,剥离<td>标签.

Answer 1

您不应尝试使用正则表达式解析HTML.HTML不是常规语言,因此您提出的任何正则表达式都可能在某些深奥的边缘情况下失败.有关详细信息,请参阅此问题的开创性答案.虽然大多数格式化为一个笑话,但它是一个非常好的观点.

以下示例是Java,但正则表达式与其他语言类似(如果不相同).

String target = someString.replaceAll("<[^>]*>", "");

假设你的非html不包含任何<或>,并且输入字符串的结构正确.

如果您知道它们是特定标记 - 例如,您知道文本只包含<td>标记,则可以执行以下操作:

String target = someString.replaceAll("(?i)<td[^>]*>", "");

编辑:Ωmega在另一篇帖子的评论中提出了一个很好的观点,即如果有多个标签,这会导致多个结果被挤压在一起.

例如,如果输入字符串是<td>Something</td><td>Another Thing</td>,那么上面的结果将导致SomethingAnother Thing.

在需要多个标签的情况下,我们可以执行以下操作:

String target = someString.replaceAll("(?i)<td[^>]*>", " ").replaceAll("\\s+", " ").trim();

这将HTML替换为单个空格,然后折叠空白,然后修剪任何结尾.

Answer 2

一个微不足道的方法是取代

<[^>]*>

没有.但取决于你的输入结构不合理,可能会失败.

Answer 3

您可以使用jsoup http://jsoup.org/

Whitelist whitelist = Whitelist.none();
String cleanStr = Jsoup.clean(yourText, whitelist);