Question

我正在尝试使用包含HTML的字符串，去掉一些标签（img，object）和所有其他HTML标签，去掉它们的属性。例如：

<div id="someId" style="color: #000000">
   <p class="someClass">Some Text</p>
   <img src="images/someimage.jpg" alt="" />
   <a href="somelink.html">Some Link Text</a>
</div>

会变成：

<div>
   <p>Some Text</p>
   Some Link Text
</div>

我在尝试：

string.replaceAll("<\/?[img|object](\s\w+(\=\".*\")?)*\>", ""); //REMOVE img/object

我不知道如何剥离标签内的所有属性。

任何帮助都将不胜感激。

感谢。

Answer 1

如果您想过滤特定标签，我不建议使用正则表达式。这将是一项艰巨的工作，永远不会完全可靠。使用像Jsoup这样的普通HTML解析器。它提供了Whitelist API来清理HTML。另请参阅this cookbook document。

这里是在Jsoup的帮助下的启动示例，它只允许<div>标签集旁边的<p>和Whitelist标签Whitelist#simpleText()在下面的例子中。

String html = "<div id='someId' style='color: #000000'><p class='someClass'>Some Text</p><img src='images/someimage.jpg' alt='' /><a href='somelink.html'>Some Link Text</a></div>";
Whitelist whitelist = Whitelist.simpleText(); // Whitelist.simpleText() allows b, em, i, strong, u. Use Whitelist.none() instead if you want to start clean.
whitelist.addTags("div", "p");
String clean = Jsoup.clean(html, whitelist);
System.out.println(clean);

这导致

<div>
   <p>Some Text</p>Some Link Text
</div>

另见：

How to implement a possibility for user to post some html-formatted data in a safe way?

Answer 2

您可以删除所有属性：

string.replaceAll("(<\\w+)[^>]*(>)", "$1$2");

此表达式与开始标记匹配，但仅捕获其标题<div和结束>作为组1和2. replaceAll将引用用于这些要将它们作为$1$2返回到输出中的组。这会删除标记中间的属性。

Answer 3

/<(/?\w+) .*?>/<\1>/可能有效 - 获取标记（匹配组）并读取任何属性，直到关闭括号，并仅用支持和标记替换它。

Answer 4

如果您使用SAX或DOM，并获取节点名称和值，并删除所有属性，可能会容易得多。

如何删除字符串中HTML标记中的所有HTML属性

4 个答案:

另见：