从字符串中删除HTML标记

Question

从字符串中删除HTML标记是否有从Java字符串中删除HTML的好方法？简单的正则表达式 replaceAll("\\<.*?>","")会起作用的，但是像这样的事情&amp;不能正确转换，两个尖括号之间的非HTML将被移除(即.*?在regex将会消失)。

Answer 1

使用HTML解析器而不是regex。这很简单珍汤.

public static String html2text(String html) {
    return Jsoup.parse(html).text();}

珍汤支座在可自定义的白名单上删除HTML标记，如果只允许使用HTML标记，则非常有用。<b>, <i>和<u>.

另见：

• RegEx匹配打开的标记(XHTML自带标记除外)。

• 领先的Java HTML解析器的优缺点是什么？

• JSP/Servlet Web应用程序中的XSS预防

Answer 2

如果你是为了安卓你能做到的.。

android.text.Html.fromHtml(instruction).toString()

Answer 3

如果用户输入<b>hey!</b>，您想要显示吗？<b>hey!</b>或hey!？如果第一种方法是转义较少的符号和html-编码符号(还有可选的引号)，那么您就没事了。对代码进行修改以实现第二个选项是：

replaceAll("\\<[^>]*>","")

但是，如果用户输入格式错误的内容，则会遇到问题，例如<bhey!</b>.

你也可以退房吉蒂这将解析“脏”html输入，并为您提供删除标记的方法，保留文本。

试图删除html的问题是，浏览器有非常宽松的解析器，比您可以找到的任何库Will都要宽松，所以即使您尽最大努力去除所有标记(使用上面的替换方法、DOM库或JTidy)，您也会这样做。仍然需要确保编码任何剩余的HTML特殊字符，以确保您的输出安全。