Rimuovi i tag HTML da una stringa

Question

Esiste un buon modo per rimuovere HTML da una stringa Java? Una regex semplice come

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

funzionerà, ma cose come & non verranno convertite correttamente e il non-HTML tra le due parentesi angolari verrà rimosso (ovvero .*? nella regex scomparirà).

Answer 1

Usa un parser HTML invece di regex. Questo è semplicissimo con Jsoup .

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

Jsoup inoltre supporta la rimozione di tag HTML da una whitelist personalizzabile, che è molto utile se si desidera consentire solo ad es <b>, <i> e <u>.

Vedi anche:

• RegEx abbina tag aperti ad eccezione dei tag autonomi XHTML
• Quali sono i pro e contro dei principali parser HTML Java?
• Prevenzione XSS nell'applicazione Web JSP / Servlet

Answer 2

Se stai scrivendo per Android puoi farlo ...

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

Answer 3

Se l'utente inserisce <b>hey!</b>, vuoi visualizzare hey! o <bhey!</b>? Se il primo, scappa meno di, e codifica HTML (e opzionalmente virgolette) e stai bene. Una modifica al tuo codice per implementare la seconda opzione sarebbe:

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

ma si verificheranno problemi se l'utente inserisce qualcosa di malformato, come <=>.

Puoi anche dare un'occhiata a JTidy che analizzerà " dirty " input HTML, e dovrebbe darti un modo per rimuovere i tag, mantenendo il testo.

Il problema con il tentativo di eliminare html è che i browser hanno parser molto indulgenti, più indulgenti di qualsiasi libreria tu possa trovare, quindi anche se fai del tuo meglio per eliminare tutti i tag (usando il metodo di sostituzione sopra, una libreria DOM, o JTidy), dovrai ancora assicurarti di codificare tutti i caratteri speciali HTML rimanenti per proteggere il tuo output.

Answer 4

Un altro modo è usare javax.swing.text.html.HTMLEditorKit per estrarre il testo.

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: Rimuovi i tag HTML da un file per estrarre solo il TESTO

Answer 5

Penso che il modo più semplice per filtrare i tag html sia:

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("");
}

Answer 6

Anche molto semplice usando Jericho , e puoi conservare parte della formattazione (riga interruzioni e collegamenti, ad esempio).

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

Answer 7

Su Android, prova questo:

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

Answer 8

L'escaping HTML è davvero difficile da fare nel modo giusto, suggerirei sicuramente di usare il codice della libreria per farlo, poiché è molto più sottile di quanto pensi. Scopri StringEscapeUtils di Apache per una libreria abbastanza buona per gestirla in Java.

Answer 9

La risposta accettata di fare semplicemente Jsoup.parse(html).text() ha 2 potenziali problemi (con JSoup 1.7.3):

• Rimuove le interruzioni di riga dal testo
• Converte il testo <script> in <script>

Se lo usi per proteggerti da XSS, questo è un po 'fastidioso. Ecco il mio miglior scatto con una soluzione migliorata, usando sia JSoup che Apache StringEscapeUtils:

// 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);

Nota che l'ultimo passaggio è perché ho bisogno di usare l'output come testo normale. Se hai bisogno solo di output HTML, dovresti riuscire a rimuoverlo.

Ed ecco un sacco di casi di test (input to output):

{"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"}

Se trovi un modo per migliorarlo, faccelo sapere.

Answer 10

Potresti voler sostituire i tag <br/> e </p> con newline prima di rimuovere l'HTML per evitare che diventi un pasticcio illeggibile come suggerisce Tim.

L'unico modo in cui riesco a pensare di rimuovere i tag HTML ma di lasciare un codice non HTML tra parentesi angolari sarebbe un controllo a elenco di tag HTML . Qualcosa del genere ...

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

Quindi decodifica i caratteri speciali HTML come &. Il risultato non deve essere considerato sterilizzato.

Answer 11

Questo dovrebbe funzionare -

usa questo

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

e questo

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

Answer 12

La risposta accettata non ha funzionato per me nel caso di test che ho indicato: il risultato di " a < b !> gt; & C quot; è " a b ! gt; c quot &;.

Quindi, ho usato TagSoup invece. Ecco uno scatto che ha funzionato per il mio caso di test (e un paio di altri):

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 {
}
}

Answer 13

So che è vecchio, ma stavo solo lavorando a un progetto che mi richiedeva di filtrare HTML e che funzionava bene:

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

invece di questo:

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

Answer 14

Ecco un aggiornamento leggermente più elaborato per provare a gestire un po 'di formattazione per interruzioni ed elenchi. Ho usato l'output di Amaya come guida.

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));
    }
}

Answer 15

In alternativa, è possibile utilizzare HtmlCleaner :

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

Answer 16

Usa Html.fromHtml

HTML i tag sono

<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>

Secondo Android & # 8217; s Documentazioni ufficiali tutti i tag nel HTML verranno visualizzati come una sostituzione generica String che il tuo programma può quindi passare e sostituire con stringhe .

Il metodo

Html.formHtml accetta un Html.TagHandler e un Html.ImageGetter come argomenti e come testo da analizzare.

Esempio

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

Poi

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

Output

Questo è il mio testo che l'utente può inserire nel suo profilo

Answer 17

Un altro modo può essere quello di utilizzare la classe com.google.gdata.util.common.html.HtmlToText come

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

Questo non è un codice a prova di proiettile e quando lo eseguo su voci di Wikipedia ricevo anche informazioni sullo stile. Tuttavia, credo che per piccoli / semplici lavori sarebbe efficace.

Answer 18

Sembra che tu voglia passare dall'HTML al semplice testo.
In tal caso, consultare www.htmlparser.org. Ecco un esempio che rimuove tutti i tag dal file html trovato in un URL.
Utilizza org.htmlparser.beans.StringBean .

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

Answer 19

Ecco un altro modo per farlo:

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;
}

Answer 20

Ecco un'altra variante di come sostituire tutto (Tag HTML | Entità HTML | Spazio vuoto nel contenuto HTML)

content.replaceAll("(<.*?>)|(&.*?;)|([ ]{2,})", ""); dove il contenuto è una stringa.

Answer 21

Si potrebbe anche usare Apache Tika per questo scopo. Per impostazione predefinita, conserva gli spazi bianchi dal codice HTML rimosso, che può essere desiderato in determinate situazioni:

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

Answer 22

Un modo per conservare le informazioni di nuova riga con JSoup è quello di precedere tutti i nuovi tag di linea con una stringa fittizia, eseguire JSoup e sostituire la stringa fittizia con " \ 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");

Answer 23

Puoi semplicemente utilizzare il filtro HTML predefinito di Android

    public String htmlToStringFilter(String textToFilter){

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

    }

Il metodo sopra restituirà la stringa filtrata HTML per l'input.

Answer 24

I miei 5 centesimi:

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);
}

Answer 25

Per ottenere testo HTML semplice formattato puoi farlo:

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/>");

Per ottenere testo semplice formattato cambia < br / > di \ n e cambia l'ultima riga di:

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

Answer 26

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

Answer 27

puoi semplicemente creare un metodo con più replAll () come

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

Usa questo link per i sostituti più comuni di cui hai bisogno: http://tunes.org/wiki/html_20special_20characters_20and_20symbols.html

È semplice ma efficace. Uso prima questo metodo per rimuovere la posta indesiderata ma non la prima riga, ovvero sostituire All (& Quot; \ & Lt;. *? & Gt; & Quot;, & Quot; quot;) e successivamente utilizzo parole chiave specifiche per cercare gli indici e quindi uso il metodo .substring (inizio, fine) per eliminare le cose non necessarie. Poiché questo è più robusto e puoi individuare esattamente ciò di cui hai bisogno nell'intera pagina html.

Answer 28

Rimuovi i tag HTML dalla stringa. Da qualche parte dobbiamo analizzare alcune stringhe che vengono ricevute da alcune risposte come Httpresponse dal server.

Quindi dobbiamo analizzarlo.

Qui mostrerò come rimuovere i tag html dalla stringa.

    // 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