题
有没有从 Java 字符串中删除 HTML 的好方法?一个简单的正则表达式就像
replaceAll("\\<.*?>","")
会起作用,但是像这样的事情 &
不会被正确转换,并且两个尖括号之间的非 HTML 将被删除(即这 .*?
正则表达式中的内容将会消失)。
其他提示
如果您正在为 Android 撰写文章,则可以执行此操作...
android.text.Html.fromHtml(instruction).toString()
如果用户输入<b>hey!</b>
,您要显示hey!
还是<bhey!</b>
?如果第一个,逃避少数,和html编码&符号(和可选的引号),你很好。对代码实施第二个选项的修改是:
replaceAll("\\<[^>]*>","")
但如果用户输入格式错误的内容(例如<=>),您将遇到问题。
您还可以查看 JTidy ,它将解析<!>“脏<!>”; html输入,并且应该为您提供一种删除标记的方法,保留文本。
尝试剥离html的问题是浏览器具有非常宽松的解析器,比你能找到的任何库都宽松,所以即使你尽力剥离所有标签(使用上面的替换方法,DOM库,或者JTidy),仍需要确保编码任何剩余的HTML特殊字符以保证输出的安全。
另一种方法是使用 javax.swing.text.html.HTMLEditorKit 来提取文本。
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();
}
}
}
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 也很简单,你可以保留一些格式(行例如,中断和链接。
Source htmlSource = new Source(htmlText);
Segment htmlSeg = new Segment(htmlSource, 0, htmlSource.length());
Renderer htmlRend = new Renderer(htmlSeg);
System.out.println(htmlRend.toString());
在Android上,试试这个:
String result = Html.fromHtml(html).toString();
HTML Escaping真的很难做到 - 我肯定建议使用库代码来做到这一点,因为它比你想象的要复杂得多。查看Apache的 StringEscapeUtils 用于在Java中处理此问题的非常好的库。
简单做事的公认答案 Jsoup.parse(html).text()
有 2 个潜在问题(JSoup 1.7.3):
- 它从文本中删除换行符
- 它转换文本
<script>
进入<script>
如果你用它来防御 XSS,这有点烦人。这是我使用 JSoup 和 Apache StringEscapeUtils 改进的解决方案的最佳尝试:
// breaks multi-level of escaping, preventing &lt;script&gt; to be rendered as <script>
String replace = input.replace("&", "");
// decode any encoded html, preventing <script> 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。如果您只需要 HTML 输出,那么您应该能够将其删除。
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\"/>", ""},
{"<script>", ""},
{"&lt;script&gt;", "lt;scriptgt;"}, // best effort
{"\" ' > < \n \\ é å à ü and & preserved", "\" ' > < \n \\ é å à ü and & preserved"}
如果您找到更好的方法,请告诉我。
在剥离HTML之前,您可能希望用换行符替换<br/>
和</p>
标记,以防止它成为Tim建议的难以辨认的混乱。
我能想到删除HTML标记但在尖括号之间留下非HTML的唯一方法是检查 HTML标签列表。这些方面的东西......
replaceAll("\\<[\s]*tag[^>]*>","")
然后HTML解码特殊字符,例如&
。结果不应被视为消毒。
这应该有效 -
使用此
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.
对于我指出的测试用例,接受的答案对我不起作用:<!>“a <!> lt;的结果b或b <!> gt; <!>ÇQUOT;是<!>; a b或b <!> gt; ÇQUOT <!>;
所以,我使用了TagSoup。这是一个适用于我的测试用例(和其他几个)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 {
}
}
我知道这已经过时了,但我正在制作一个项目,要求我过滤HTML,这很好用:
noHTMLString.replaceAll("\\&.*?\\;", "");
而不是:
html = html.replaceAll(" ","");
html = html.replaceAll("&"."");
这是一个更轻松的更新,试图处理中断和列表的一些格式。我用Amaya的输出作为指导。
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));
}
}
或者,可以使用 HtmlCleaner :
private CharSequence removeHtmlFrom(String html) {
return new HtmlCleaner().clean(html).getText();
}
使用 Html.fromHtml
HTML 标签
<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 <!>#8217;官方文档 HTML 中的任何标记都会显示为一般替代字符串,您的程序可以通过该替换实际 > 字符串 强>
Html.formHtml
方法将 Html.TagHandler
和Html.ImageGetter作为参数以及要解析的文本。
实施例
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
这是关于用户可以放入其个人资料的文字
另一种方法是使用com.google.gdata.util.common.html.HtmlToText类 喜欢
MyWriter.toConsole(HtmlToText.htmlToPlainText(htmlResponse));
这不是防弹代码,当我在维基百科条目上运行时,我也得到了样式信息。但是,我相信小型/简单的工作会有效。
听起来你想要从HTML转到纯文本。
如果是这种情况,请访问www.htmlparser.org。这是一个从URL中找到的html文件中删除所有标记的示例
它使用 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;
}
以下是如何替换所有内容的另一种变体(HTML标签| HTML实体| HTML内容中的空白空间)
content.replaceAll("(<.*?>)|(&.*?;)|([ ]{2,})", "");
其中content是String。
也可以使用 Apache Tika 来达到此目的。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是需要的:
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加上一些虚拟字符串,执行JSoup并用<!>引号替换虚拟字符串; \ 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");
您只需使用Android的默认HTML过滤器
即可 public String htmlToStringFilter(String textToFilter){
return Html.fromHtml(textToFilter).toString();
}
上述方法将返回输入的HTML过滤字符串。
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);
}
要获得格式化的普通html文字,您可以这样做:
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/>");
要获取格式化纯文本,请更改<!> lt; br / <!> gt;通过\ n并更改最后一行:
nodeValue=nodeValue.replaceAll("(\\s*\n){3,}", "<br/><br/>");
classeString.replaceAll("\\<(/?[^\\>]+)\\>", "\\ ").replaceAll("\\s+", " ").trim()
你可以简单地使用多个replaceAll()来创建一个方法,如
String RemoveTag(String html){
html = html.replaceAll("\\<.*?>","")
html = html.replaceAll(" ","");
html = html.replaceAll("&"."");
----------
----------
return html;
}
将此链接用于您需要的最常见替换: http://tunes.org/wiki/html_20special_20characters_20and_20symbols.html
简单但有效。我首先使用此方法删除垃圾,但不是第一行,即replaceAll(<!> quot; \ <!> lt;。*?<!> gt; <!>“,<!>; <! >“),后来我使用特定的关键字搜索索引,然后使用.substring(start,end)方法去掉不必要的东西。由于这更加强大,您可以精确指出整个html页面中所需的内容。
从字符串中删除HTML标记。在某个地方我们需要解析一些字符串,这些字符串会被某些响应接收,例如来自服务器的Httpresponse。
所以我们需要解析它。
这里我将展示如何从字符串中删除html标记。
// 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