从java

Question

有没有一种很好的方法可以从具有类＆＃34; abc＆＃34;的Java字符串中删除HTML？像 -

这样的简单正则表达式

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

将删除所有内容，但我只想删除那些有类＆＃34; abc＆＃34;。

的标记。

<H1 class="abc">Hey</H1>
<H1 class="xyz">Hello</H1>

仅使用类abc删除h1。 注 - ＆gt;必须通过正则表达式来解决它而不是通过解析器，因为这是我在代码中修改HTML的唯一实例。不要在我的代码中添加额外的JAR。

Answer 1

这应该工作

replaceAll("<h1[^>]*?class=\"*\'*abc\"*\'*>.*?h1>","")

Answer 2

尝试

replaceAll("<[Hh]1 class=['\"]landingPage['\"]>.*?</[Hh]1>", "")

但请注意，由于正则表达式不适合此任务，因此在复杂的HTML输入方面可能会产生不必要的结果。

输入

<H1 class="abc">Hey</H1>
<H1 class="xyz">Hello</H1>

输出

<H1 class="xyz">Hello</H1>

Answer 3

使用正则表达式解析HTML永远不是一个好主意，请参阅RegEx match open tags except XHTML self-contained tags

有关替代方案，请参阅Which HTML Parser is the best?。

例如，使用JSoup，您可以编写类似这样的内容（未经测试）：

Document doc = Jsoup.parse(html);
Elements elements = doc.select(".abc");
elements.remove();