Jak usunąć znacznik HTML w Javie

Question

Czy istnieje wyrażenie regularne, które może całkowicie usunąć znacznik HTML? Przy okazji, używam Java.

Answer 1

Zamiast tego należy użyć parsera HTML. Podoba mi się htmlCleaner, ponieważ daje mi to dość wydrukowaną wersję HTML.

Z htmlCleaner można zrobić:

TagNode root = htmlCleaner.clean(stream); 
Object[] found = root.evaluateXPath("//div[id='something']"); 
if(found.length > 0 && found instanceof TagNode) { 
    ((TagNode)found[0]).removeFromTree(); 
} 

Answer 2

nr Wyrażenia regularne nie mogą z definicji parsowania HTML.

Możesz użyć wyrażeń regularnych do s/<[^>]*\>// lub czegoś naiwnego, ale będzie to niewystarczające, szczególnie jeśli chcesz usunąć zawartość tagów.

Jak powiedział inny plakat, użyj rzeczywistego parsera HTML.

Answer 3

Jeśli wystarczy usunąć tagi następnie można użyć tego wyrażenia regularnego:

content = content.replaceAll("<[^>]+>", ""); 

usunie tylko tagów HTML, ale nie innych rzeczy. Dla bardziej złożonych rzeczy powinieneś użyć parsera.

EDIT: Aby uniknąć problemów z HTML komentarze można wykonać następujące czynności:

content = content.replaceAll("<!--.*?-->", "").replaceAll("<[^>]+>", ""); 

Answer 4

Alternatywnie, jeśli zamiarem jest wyświetlaczu wejściowe użytkownika sterowany z powrotem do klienta, a następnie można również po prostu wymień wszystkie < przez < i wszystkie > przez >. W ten sposób HTML nie zostanie zinterpretowany jako "jest" przez aplikację klienta (przeglądarkę internetową).

Jeśli używasz JSP jako technologii wyświetlania, możesz użyć do tego JSTL c:out. Unika domyślnie wszystkich jednostek HTML. Na przykład:

<c:out value="<script>alert('XSS');</script>" /> 

NIE wyświetli alertu, ale po prostu pokazuje rzeczywisty ciąg bez zmian.

Answer 5

można użyć tego prostego kodu, aby usunąć wszystkie znaczniki HTML ...

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

Answer 6

Jest JSoup który jest biblioteką Java wykonane do manipulacji HTML. Spójrz na metodę clean() i obiekt WhiteList. Łatwe w użyciu rozwiązanie!

Answer 7

Nie potrzebujesz żadnego analizatora HTML. Poniższy kod usuwa wszystkie komentarze HTML:

htmlString = htmlString.replaceAll("(?s)<!--.*?-->", "");