正则表达式从字符串中删除HTML标记

Question

  

可能重复：
  Regular expression to remove HTML tags

是否有表达式可以获取两个HTML标记之间的值？

鉴于此：

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

我正在寻找一个表达式，它会返回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this question的开创性答案。虽然大部分格式化为一个笑话，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("<[^>]*>", "");

假设您的非HTML不包含任何＆lt;或者＆gt;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，如果输入字符串为<td>Something</td><td>Another Thing</td>，则上述内容会生成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，然后修剪任意两端。

Answer 2

一个简单的方法是替换

<[^>]*>

什么也没有。但是，根据你的输入结构错误，可能会失败。

Answer 3

你可以用jsoup http://jsoup.org/

来做

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