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

JSoup 是一个用于HTML操作的java库。查看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，则可以使用此正则表达式：

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

它只删除标签，但不删除其他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评论出现问题，您可以执行以下操作：

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

Answer 4

没有。正则表达式无法按定义解析HTML。

你可以使用正则表达式s/<[^>]*\>//或类似的东西，但它不够，特别是如果你有兴趣删除标签的内容。

正如另一张海报所说，使用实际的HTML解析器。

Answer 5

您不需要任何HTML解析器。以下代码删除了所有HTML注释：

htmlString = htmlString.replaceAll("(?s)", "");

Answer 6

或者，如果您的目的是显示用户控制的输入回客户端，那么您也可以将所有<替换为<和所有{{1由>提供。这样，客户端的应用程序（webbrowser）就不会将HTML解释为。

如果您使用JSP作为视图技术，那么您可以使用JSTL的c:out。它默认会转义所有HTML实体。例如，

&gt;

不会显示警告，只是按原样显示实际字符串。

Answer 7

您可以使用此简单代码删除所有html标记...

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

如何在Java中删除HTML标记

7 个答案: