Wie HTML-Tag in Java entfernen

Question

Gibt es den regulären Ausdruck, der ein HTML-Tag vollständig entfernen kann? Übrigens verwende ich Java.

Answer 1

Sie sollten stattdessen einen HTML-Parser verwenden. Ich mag htmlCleaner, weil es mir eine hübsche gedruckte Version des HTML gibt.

Mit htmlCleaner können Sie tun:

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 Reguläre Ausdrücke können nicht per definitionem Parsing HTML.

Sie könnten eine Regex zu s/<[^>]*\>// oder etwas naives so verwenden, aber es wird nicht ausreichen, vor allem, wenn Sie daran interessiert sind, den Inhalt von Tags zu entfernen.

Wie ein anderes Plakat sagte, verwenden Sie einen tatsächlichen HTML-Parser.

Answer 3

Wenn Sie müssen nur Tags entfernen, dann können Sie diesen regulären Ausdruck verwenden:

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

Es wird nur Tags entfernen, aber nicht andere HTML-Sachen. Für komplexere Dinge sollten Sie Parser verwenden.

EDIT: Um Probleme mit HTML zu vermeiden Kommentare, die Sie folgendes tun:

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

Answer 4

Alternativ, wenn Ihre Absicht zu Anzeige benutzergesteuerten Eingang zurück an den Client ist, können Sie dann können auch ersetzen Sie einfach alle < durch < und alle > durch >. Auf diese Weise wird der HTML-Code nicht so interpretiert, wie er von der Client-Anwendung (dem Webbrowser) interpretiert wird. Wenn Sie JSP als Ansichtstechnologie verwenden, können Sie JSTLs c:out dafür verwenden. Es wird standardmäßig alle HTML-Entities verlassen. So zum Beispiel

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

wird nicht die Warnung anzeigen, aber zeigen Sie die tatsächliche Zeichenfolge wie sie ist.

Answer 5

Sie diesen einfachen Code verwenden können alle HTML-Tags entfernen ...

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

Answer 6

Es gibt JSoup, die eine Java-Bibliothek für die HTML-Manipulation gemacht ist. Sehen Sie sich die clean() Methode und das WhiteList Objekt an. Einfach zu bedienende Lösung!

Answer 7

Sie benötigen keinen HTML-Parser. Der Code unten entfernt alle HTML-Kommentare:

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