Java替换String中的所有非HTML标记

Question

如果这些部分不是有效的HTML标记，我想替换String中所有看起来像标记的部分。 标记部分是<>括号中的内容。例如。必须保留<myemail@email.com>或<hello>，但必须保留<br>，<div>等。

你知道如何实现这个目标吗？

感谢任何帮助！

欢呼声，

巴拉兹

Answer 1

您可以使用JSoup清除HTML。

String cleaned = Jsoup.clean(html, Whitelist.relaxed());

您可以使用其中一个已定义的Whitelists，也可以创建自己的自定义属性，在其中指定希望通过清理器允许的HTML元素。其他一切都被删除了。

---

您的具体示例如下：

String html = "one two three <blabla> four <text> five <div class=\"bold\">six</div>";
String cleaned = Jsoup.clean(html, Whitelist.relaxed().addAttributes("div", "class"));
System.out.println(cleaned);

输出：

one two three  four  five 
<div class="bold">
 six
</div>

Answer 2

查看java.util.Scanner类 - 您可以设置分隔符，然后查看字符串是否与HTML标记匹配 - 您必须构建一个应忽略的字符串数组。

Answer 3

您可能还希望在比较算法中包含结束标记。因此，您可能需要查找正斜杠（html结束标记）并在比较之前将其删除。

Answer 4

如果您这样做是为了在网页上显示不受信任的数据，那么简单地删除无效标签是不够的。看看OWASP AntiSamy。