从字符串中删除HTML标签

有什么好方法可以从Java字符串中删除HTML？一个简单的正则表达式

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

会工作，但是类似 &不会正确转换，并且两个尖括号之间的非HTML也会被删除（即.*?，正则表达式中的将会消失）。

使用HTML解析器代替正则表达式。对于Jsoup来说，这简直太简单了。

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

Jsoup还支持针对可自定义的白名单删除HTML标记，如果只允许使用<b>，<i>和，这将非常有用<u>。

也可以看看：

• RegEx匹配XHTML自包含标签以外的打开标签
• 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

如果您是为Android编写的，则可以执行此操作...

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

如果用户输入<b>hey!</b>，要显示<b>hey!</b>还是hey!？如果是第一个，则转义小于号，并用html编码“与”号（以及可选的引号），就可以了。为实现第二个选项而对代码进行的修改是：

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

但是如果用户输入格式错误的内容，您就会遇到问题<bhey!</b>。

您还可以签出JTidy，它将解析“肮脏”的html输入，并应为您提供一种删除标记并保留文本的方法。

尝试剥离html的问题是浏览器的解析器非常宽松，比您可以找到的任何库都宽松，因此即使您尽力剥离所有标签（使用上面的replace方法，DOM库或JTidy） ，您仍然需要确保对所有剩余的HTML特殊字符进行编码，以确保输出安全。

另一种方法是使用 javax.swing.text.html.HTMLEditorKit提取文本。

import java.io.*;
import javax.swing.text.html.*;
import javax.swing.text.html.parser.*;

public class Html2Text extends HTMLEditorKit.ParserCallback {
    StringBuffer s;

    public Html2Text() {
    }

    public void parse(Reader in) throws IOException {
        s = new StringBuffer();
        ParserDelegator delegator = new ParserDelegator();
        // the third parameter is TRUE to ignore charset directive
        delegator.parse(in, this, Boolean.TRUE);
    }

    public void handleText(char[] text, int pos) {
        s.append(text);
    }

    public String getText() {
        return s.toString();
    }

    public static void main(String[] args) {
        try {
            // the HTML to convert
            FileReader in = new FileReader("java-new.html");
            Html2Text parser = new Html2Text();
            parser.parse(in);
            in.close();
            System.out.println(parser.getText());
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

ref：从文件中删除HTML标记以仅提取TEXT

我认为过滤html标签的最简单方法是：

private static final Pattern REMOVE_TAGS = Pattern.compile("<.+?>");

public static String removeTags(String string) {
    if (string == null || string.length() == 0) {
        return string;
    }

    Matcher m = REMOVE_TAGS.matcher(string);
    return m.replaceAll("");
}

使用Jericho也非常简单，您可以保留一些格式（例如，换行符和链接）。

    Source htmlSource = new Source(htmlText);
    Segment htmlSeg = new Segment(htmlSource, 0, htmlSource.length());
    Renderer htmlRend = new Renderer(htmlSeg);
    System.out.println(htmlRend.toString());

简单做的公认答案 Jsoup.parse(html).text()存在两个潜在的问题（JSoup 1.7.3）：

• 它从文本中删除换行符
• 它将文本<script>转换为<script>

如果使用它来防止XSS攻击，这会有点烦人。这是我同时使用JSoup和Apache StringEscapeUtils改进解决方案的最佳镜头：

// breaks multi-level of escaping, preventing &amp;lt;script&amp;gt; to be rendered as <script>
String replace = input.replace("&amp;", "");
// decode any encoded html, preventing &lt;script&gt; to be rendered as <script>
String html = StringEscapeUtils.unescapeHtml(replace);
// remove all html tags, but maintain line breaks
String clean = Jsoup.clean(html, "", Whitelist.none(), new Document.OutputSettings().prettyPrint(false));
// decode html again to convert character entities back into text
return StringEscapeUtils.unescapeHtml(clean);

请注意，最后一步是因为我需要将输出用作纯文本。如果只需要HTML输出，则应该可以将其删除。

这是一堆测试用例（输入到输出）：

{"regular string", "regular string"},
{"<a href=\"link\">A link</a>", "A link"},
{"<script src=\"http://evil.url.com\"/>", ""},
{"&lt;script&gt;", ""},
{"&amp;lt;script&amp;gt;", "lt;scriptgt;"}, // best effort
{"\" ' > < \n \\ é å à ü and & preserved", "\" ' > < \n \\ é å à ü and & preserved"}

如果您找到改善方法，请告诉我。

在Android上，尝试以下操作：

String result = Html.fromHtml(html).toString();

HTML转义确实很难做到正确-我绝对建议您使用库代码来执行此操作，因为它比您想象的要微妙得多。请查看Apache的StringEscapeUtils，以获取一个很好的库来用Java处理该库。

这应该工作-

用这个

  text.replaceAll('<.*?>' , " ") -> This will replace all the html tags with a space.

和这个

  text.replaceAll('&.*?;' , "")-> this will replace all the tags which starts with "&" and ends with ";" like  , &, > etc.

您可能希望在剥离HTML之前用换行符替换<br/>和</p>标记，以防止HTML变得像Tim所建议的那样混乱。

我想删除HTML标签但将非HTML放在尖括号之间的唯一方法是对照HTML标签列表进行检查。这些东西...

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

然后HTML解码特殊字符，例如&。结果不应视为经过消毒。

或者，可以使用HtmlCleaner：

private CharSequence removeHtmlFrom(String html) {
    return new HtmlCleaner().clean(html).getText();
}

对于我指出的测试用例，可接受的答案对我不起作用：“ a <b或b> c”的结果为“ ab或b> c”。

因此，我改用TagSoup。这是适用于我的测试用例（和其他几个用例）的镜头：

import java.io.IOException;
import java.io.StringReader;
import java.util.logging.Logger;

import org.ccil.cowan.tagsoup.Parser;
import org.xml.sax.Attributes;
import org.xml.sax.ContentHandler;
import org.xml.sax.InputSource;
import org.xml.sax.Locator;
import org.xml.sax.SAXException;
import org.xml.sax.XMLReader;

/**
 * Take HTML and give back the text part while dropping the HTML tags.
 *
 * There is some risk that using TagSoup means we'll permute non-HTML text.
 * However, it seems to work the best so far in test cases.
 *
 * @author dan
 * @see <a href="http://home.ccil.org/~cowan/XML/tagsoup/">TagSoup</a> 
 */
public class Html2Text2 implements ContentHandler {
private StringBuffer sb;

public Html2Text2() {
}

public void parse(String str) throws IOException, SAXException {
    XMLReader reader = new Parser();
    reader.setContentHandler(this);
    sb = new StringBuffer();
    reader.parse(new InputSource(new StringReader(str)));
}

public String getText() {
    return sb.toString();
}

@Override
public void characters(char[] ch, int start, int length)
    throws SAXException {
    for (int idx = 0; idx < length; idx++) {
    sb.append(ch[idx+start]);
    }
}

@Override
public void ignorableWhitespace(char[] ch, int start, int length)
    throws SAXException {
    sb.append(ch);
}

// The methods below do not contribute to the text
@Override
public void endDocument() throws SAXException {
}

@Override
public void endElement(String uri, String localName, String qName)
    throws SAXException {
}

@Override
public void endPrefixMapping(String prefix) throws SAXException {
}


@Override
public void processingInstruction(String target, String data)
    throws SAXException {
}

@Override
public void setDocumentLocator(Locator locator) {
}

@Override
public void skippedEntity(String name) throws SAXException {
}

@Override
public void startDocument() throws SAXException {
}

@Override
public void startElement(String uri, String localName, String qName,
    Attributes atts) throws SAXException {
}

@Override
public void startPrefixMapping(String prefix, String uri)
    throws SAXException {
}
}

我知道这很旧，但是我只是在一个需要过滤HTML的项目上正常工作：

noHTMLString.replaceAll("\\&.*?\\;", "");

代替这个：

html = html.replaceAll(" ","");
html = html.replaceAll("&"."");

这是一个稍微充实的更新，以尝试处理一些中断和列表格式。我以Amaya的输出为指导。

import java.io.IOException;
import java.io.Reader;
import java.io.StringReader;
import java.util.Stack;
import java.util.logging.Logger;

import javax.swing.text.MutableAttributeSet;
import javax.swing.text.html.HTML;
import javax.swing.text.html.HTMLEditorKit;
import javax.swing.text.html.parser.ParserDelegator;

public class HTML2Text extends HTMLEditorKit.ParserCallback {
    private static final Logger log = Logger
            .getLogger(Logger.GLOBAL_LOGGER_NAME);

    private StringBuffer stringBuffer;

    private Stack<IndexType> indentStack;

    public static class IndexType {
        public String type;
        public int counter; // used for ordered lists

        public IndexType(String type) {
            this.type = type;
            counter = 0;
        }
    }

    public HTML2Text() {
        stringBuffer = new StringBuffer();
        indentStack = new Stack<IndexType>();
    }

    public static String convert(String html) {
        HTML2Text parser = new HTML2Text();
        Reader in = new StringReader(html);
        try {
            // the HTML to convert
            parser.parse(in);
        } catch (Exception e) {
            log.severe(e.getMessage());
        } finally {
            try {
                in.close();
            } catch (IOException ioe) {
                // this should never happen
            }
        }
        return parser.getText();
    }

    public void parse(Reader in) throws IOException {
        ParserDelegator delegator = new ParserDelegator();
        // the third parameter is TRUE to ignore charset directive
        delegator.parse(in, this, Boolean.TRUE);
    }

    public void handleStartTag(HTML.Tag t, MutableAttributeSet a, int pos) {
        log.info("StartTag:" + t.toString());
        if (t.toString().equals("p")) {
            if (stringBuffer.length() > 0
                    && !stringBuffer.substring(stringBuffer.length() - 1)
                            .equals("\n")) {
                newLine();
            }
            newLine();
        } else if (t.toString().equals("ol")) {
            indentStack.push(new IndexType("ol"));
            newLine();
        } else if (t.toString().equals("ul")) {
            indentStack.push(new IndexType("ul"));
            newLine();
        } else if (t.toString().equals("li")) {
            IndexType parent = indentStack.peek();
            if (parent.type.equals("ol")) {
                String numberString = "" + (++parent.counter) + ".";
                stringBuffer.append(numberString);
                for (int i = 0; i < (4 - numberString.length()); i++) {
                    stringBuffer.append(" ");
                }
            } else {
                stringBuffer.append("*   ");
            }
            indentStack.push(new IndexType("li"));
        } else if (t.toString().equals("dl")) {
            newLine();
        } else if (t.toString().equals("dt")) {
            newLine();
        } else if (t.toString().equals("dd")) {
            indentStack.push(new IndexType("dd"));
            newLine();
        }
    }

    private void newLine() {
        stringBuffer.append("\n");
        for (int i = 0; i < indentStack.size(); i++) {
            stringBuffer.append("    ");
        }
    }

    public void handleEndTag(HTML.Tag t, int pos) {
        log.info("EndTag:" + t.toString());
        if (t.toString().equals("p")) {
            newLine();
        } else if (t.toString().equals("ol")) {
            indentStack.pop();
            ;
            newLine();
        } else if (t.toString().equals("ul")) {
            indentStack.pop();
            ;
            newLine();
        } else if (t.toString().equals("li")) {
            indentStack.pop();
            ;
            newLine();
        } else if (t.toString().equals("dd")) {
            indentStack.pop();
            ;
        }
    }

    public void handleSimpleTag(HTML.Tag t, MutableAttributeSet a, int pos) {
        log.info("SimpleTag:" + t.toString());
        if (t.toString().equals("br")) {
            newLine();
        }
    }

    public void handleText(char[] text, int pos) {
        log.info("Text:" + new String(text));
        stringBuffer.append(text);
    }

    public String getText() {
        return stringBuffer.toString();
    }

    public static void main(String args[]) {
        String html = "<html><body><p>paragraph at start</p>hello<br />What is happening?<p>this is a<br />mutiline paragraph</p><ol>  <li>This</li>  <li>is</li>  <li>an</li>  <li>ordered</li>  <li>list    <p>with</p>    <ul>      <li>another</li>      <li>list        <dl>          <dt>This</dt>          <dt>is</dt>            <dd>sdasd</dd>            <dd>sdasda</dd>            <dd>asda              <p>aasdas</p>            </dd>            <dd>sdada</dd>          <dt>fsdfsdfsd</dt>        </dl>        <dl>          <dt>vbcvcvbcvb</dt>          <dt>cvbcvbc</dt>            <dd>vbcbcvbcvb</dd>          <dt>cvbcv</dt>          <dt></dt>        </dl>        <dl>          <dt></dt>        </dl></li>      <li>cool</li>    </ul>    <p>stuff</p>  </li>  <li>cool</li></ol><p></p></body></html>";
        System.out.println(convert(html));
    }
}

采用 Html.fromHtml

HTML标签是

<a href=”…”> <b>,  <big>, <blockquote>, <br>, <cite>, <dfn>
<div align=”…”>,  <em>, <font size=”…” color=”…” face=”…”>
<h1>,  <h2>, <h3>, <h4>,  <h5>, <h6>
<i>, <p>, <small>
<strike>,  <strong>, <sub>, <sup>, <tt>, <u>

根据Android的官方文档，HTML中的任何标签都将显示为通用替换字符串，您的程序可以通过该字符串替换并用真实字符串替换。

Html.formHtml方法采用Html.TagHandler和Html.ImageGetter作为参数以及要解析的文本。

例

String Str_Html=" <p>This is about me text that the user can put into their profile</p> ";

然后

Your_TextView_Obj.setText(Html.fromHtml(Str_Html).toString());

输出量

这是关于我的文字，用户可以将其放入个人资料中

这是如何替换所有内容的另一种变体（HTML标记| HTML实体| HTML内容中的空白区域）

content.replaceAll("(<.*?>)|(&.*?;)|([ ]{2,})", ""); 内容是一个字符串。

您可以简单地使用Android的默认HTML过滤器

    public String htmlToStringFilter(String textToFilter){

    return Html.fromHtml(textToFilter).toString();

    }

上面的方法将为您的输入返回经过HTML过滤的字符串。

另一种方法是使用com.google.gdata.util.common.html.HtmlToText类，例如

MyWriter.toConsole(HtmlToText.htmlToPlainText(htmlResponse));

但是，这不是防弹代码，当我在Wikipedia条目上运行它时，我也会得到样式信息。但是我相信对于小型/简单的工作，这将是有效的。

听起来您想从HTML变为纯文本。
如果是这种情况，请访问www.htmlparser.org。这是一个示例，该示例从URL处的html文件中剥离所有标签。
它利用了org.htmlparser.beans.StringBean。

static public String getUrlContentsAsText(String url) {
    String content = "";
    StringBean stringBean = new StringBean();
    stringBean.setURL(url);
    content = stringBean.getStrings();
    return content;
}

这是另一种方法：

public static String removeHTML(String input) {
    int i = 0;
    String[] str = input.split("");

    String s = "";
    boolean inTag = false;

    for (i = input.indexOf("<"); i < input.indexOf(">"); i++) {
        inTag = true;
    }
    if (!inTag) {
        for (i = 0; i < str.length; i++) {
            s = s + str[i];
        }
    }
    return s;
}

为此，也可以使用Apache Tika。默认情况下，它会保留剥离的html中的空格，这在某些情况下可能需要：

InputStream htmlInputStream = ..
HtmlParser htmlParser = new HtmlParser();
HtmlContentHandler htmlContentHandler = new HtmlContentHandler();
htmlParser.parse(htmlInputStream, htmlContentHandler, new Metadata())
System.out.println(htmlContentHandler.getBodyText().trim())

使用JSoup保留换行信息的一种方法是，在所有新行标记之前添加一些伪字符串，执行JSoup并将伪字符串替换为“ \ n”。

String html = "<p>Line one</p><p>Line two</p>Line three<br/>etc.";
String NEW_LINE_MARK = "NEWLINESTART1234567890NEWLINEEND";
for (String tag: new String[]{"</p>","<br/>","</h1>","</h2>","</h3>","</h4>","</h5>","</h6>","</li>"}) {
    html = html.replace(tag, NEW_LINE_MARK+tag);
}

String text = Jsoup.parse(html).text();

text = text.replace(NEW_LINE_MARK + " ", "\n\n");
text = text.replace(NEW_LINE_MARK, "\n\n");

classeString.replaceAll("\\<(/?[^\\>]+)\\>", "\\ ").replaceAll("\\s+", " ").trim() 

我的5美分：

String[] temp = yourString.split("&");
String tmp = "";
if (temp.length > 1) {

    for (int i = 0; i < temp.length; i++) {
        tmp += temp[i] + "&";
    }
    yourString = tmp.substring(0, tmp.length() - 1);
}

要获取带格式的纯HTML文本，您可以执行以下操作：

String BR_ESCAPED = "<br/>";
Element el=Jsoup.parse(html).select("body");
el.select("br").append(BR_ESCAPED);
el.select("p").append(BR_ESCAPED+BR_ESCAPED);
el.select("h1").append(BR_ESCAPED+BR_ESCAPED);
el.select("h2").append(BR_ESCAPED+BR_ESCAPED);
el.select("h3").append(BR_ESCAPED+BR_ESCAPED);
el.select("h4").append(BR_ESCAPED+BR_ESCAPED);
el.select("h5").append(BR_ESCAPED+BR_ESCAPED);
String nodeValue=el.text();
nodeValue=nodeValue.replaceAll(BR_ESCAPED, "<br/>");
nodeValue=nodeValue.replaceAll("(\\s*<br[^>]*>){3,}", "<br/><br/>");

要获得带格式的纯文本，请将 <br/>更改为\ n，并将最后一行更改为：

nodeValue=nodeValue.replaceAll("(\\s*\n){3,}", "<br/><br/>");

我知道距问这个问题已经有一段时间了，但是我找到了另一个解决方案，这对我有用：

Pattern REMOVE_TAGS = Pattern.compile("<.+?>");
    Source source= new Source(htmlAsString);
 Matcher m = REMOVE_TAGS.matcher(sourceStep.getTextExtractor().toString());
                        String clearedHtml= m.replaceAll("");

您可以简单地使用多个replaceAll（）方法

String RemoveTag(String html){
   html = html.replaceAll("\\<.*?>","")
   html = html.replaceAll("&nbsp;","");
   html = html.replaceAll("&amp;"."");
   ----------
   ----------
   return html;
}

使用此链接进行您需要的最常见替换：http : //tunes.org/wiki/html_20special_20characters_20and_20symbols.html

它简单但有效。我首先使用此方法删除垃圾，但不删除第一行，即replaceAll（“ \ <。*？>”，“”），然后我使用特定的关键字搜索索引，然后使用.substring（start，end ）剥离不必要的东西的方法。由于这更可靠，因此您可以在整个html页面中准确指出所需的内容。

从字符串中删除HTML标记。我们需要在某个地方解析一些字符串，该字符串是由某些响应（如Httpresponse）从服务器接收到的。

所以我们需要解析它。

在这里，我将展示如何从字符串中删除html标签。

    // sample text with tags

    string str = "<html><head>sdfkashf sdf</head><body>sdfasdf</body></html>";



    // regex which match tags

    System.Text.RegularExpressions.Regex rx = new System.Text.RegularExpressions.Regex("<[^>]*>");



    // replace all matches with empty strin

    str = rx.Replace(str, "");



    //now str contains string without html tags