Java去掉html标签的各种姿势

一、背景

业务开发中可能需要将html的标签全部去掉，本文将多种方法综合在这里，供大家参考。

二、方法

2.1 纯正则方法

import java.util.regex.Matcher;
import java.util.regex.Pattern; public class HTMLSpirit{ public static String delHTMLTag(String htmlStr){ String regEx_script="<script[^>]*?>[\\s\\S]*?<\\/script>"; //定义script的正则表达式 String regEx_style="<style[^>]*?>[\\s\\S]*?<\\/style>"; //定义style的正则表达式 String regEx_html="<[^>]+>"; //定义HTML标签的正则表达式 Pattern p_script=Pattern.compile(regEx_script,Pattern.CASE_INSENSITIVE); Matcher m_script=p_script.matcher(htmlStr); htmlStr=m_script.replaceAll(""); //过滤script标签 Pattern p_style=Pattern.compile(regEx_style,Pattern.CASE_INSENSITIVE); Matcher m_style=p_style.matcher(htmlStr); htmlStr=m_style.replaceAll(""); //过滤style标签 Pattern p_html=Pattern.compile(regEx_html,Pattern.CASE_INSENSITIVE); Matcher m_html=p_html.matcher(htmlStr); htmlStr=m_html.replaceAll(""); //过滤html标签 return htmlStr.trim(); //返回文本字符串 }
}

2.2 使用 javax.swing.text.html.HTMLEditorKit

import java.io.IOException;
import java.io.FileReader;
import java.io.Reader;
import java.util.List;
import java.util.ArrayList;import javax.swing.text.html.parser.ParserDelegator;
import javax.swing.text.html.HTMLEditorKit.ParserCallback;
import javax.swing.text.html.HTML.Tag;
import javax.swing.text.MutableAttributeSet;public class HTMLUtils {private HTMLUtils() {}public static List<String> extractText(Reader reader) throws IOException {final ArrayList<String> list = new ArrayList<String>();ParserDelegator parserDelegator = new ParserDelegator();ParserCallback parserCallback = new ParserCallback() {public void handleText(final char[] data, final int pos) {list.add(new String(data));}public void handleStartTag(Tag tag, MutableAttributeSet attribute, int pos) { }public void handleEndTag(Tag t, final int pos) {  }public void handleSimpleTag(Tag t, MutableAttributeSet a, final int pos) { }public void handleComment(final char[] data, final int pos) { }public void handleError(final java.lang.String errMsg, final int pos) { }};parserDelegator.parse(reader, parserCallback, true);return list;}public final static void main(String[] args) throws Exception{FileReader reader = new FileReader("java-new.html");List<String> lines = HTMLUtils.extractText(reader);for (String line : lines) {System.out.println(line);}}
}

2.3 使用Jsoup框架

import java.io.IOException;
import java.io.FileReader;
import java.io.Reader;
import java.io.BufferedReader;
import org.jsoup.Jsoup;public class HTMLUtils {private HTMLUtils() {}public static String extractText(Reader reader) throws IOException {StringBuilder sb = new StringBuilder();BufferedReader br = new BufferedReader(reader);String line;while ( (line=br.readLine()) != null) {sb.append(line);}String textOnly = Jsoup.parse(sb.toString()).text();return textOnly;}public final static void main(String[] args) throws Exception{FileReader reader = new FileReader("C:/RealHowTo/topics/java-language.html");System.out.println(HTMLUtils.extractText(reader));}

2.4 使用Apache Tika

mport java.io.FileInputStream;
import java.io.InputStream;import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.Parser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.ContentHandler;public class ParseHTMLWithTika {public static void main(String args[]) throws Exception {InputStream is = null;try {is = new FileInputStream("C:/Temp/java-x.html");WriteOutContentHandler contenthandler = new WriteOutContentHandler(100000000);Metadata metadata = new Metadata();Parser parser = new AutoDetectParser();parser.parse(is, contenthandler, metadata, new ParseContext());System.out.println(contenthandler.toString());}catch (Exception e) {e.printStackTrace();}finally {if (is != null) is.close();}}
}

注意这里经过本人实验有个小坑，WriteOutContentHandler参数是限制的字符数，这个如果不设置默认是1万，超过会报异常。

具体的jar包请自行到中央仓库里搜索依赖配置

https://search.maven.org/ 和 https://mvnrepository.com/

三、提供一个工具类

可以将资源路径的文本类型文件（如json/html）读取成字符串

public class ResourceUtil {/*** 根据当前类路径，获取资源文件夹对应文件的所有字符串** @param currentClass 如 this.class* @param resourcePath 如 /data/json/xxx.json （相对于resources文件夹）*/public static String resource2String(Class currentClass, String resourcePath) throws IOException {return IOUtils.toString(new FileReader(new File(currentClass.getResource(resourcePath).getFile())));}}

四、总结

这里提供了多种去除html标签的方式，建议先测试好再实际使用。

测试时读取资源文件可以使用第三节提供的工具类。

如果正则表达式无法满足你的需求，自己进一步优化即可。

如果其他方式仍然有特殊情况没有考虑到，可以自己先用正则去除这种特殊情况。

总之这里只是一种参考，提供了多种解决方案。

创作不易，如果觉得本文对你有帮助，欢迎点赞，欢迎关注我，如果有补充欢迎评论交流，我将努力创作更多更好的文章。

另外欢迎加入我的知识星球，知识星球ID：15165241 一起交流学习。

https://t.zsxq.com/Z3bAiea 申请时标注来自CSDN。

Java去掉html标签的各种姿势相关推荐

java去掉html中的图片,java去掉html标签工具
java去掉html标签工具 [2021-01-31 16:18:56] 简介: php去掉所有标签的方法:1.使用"strip_tags"方法去掉HTML及PHP的标记:2.通 ...
java字符串去掉html标签
说明:content,是含有html标签的字符串. String str = content.replaceAll("\\&[a-zA-Z]{1,10};", " ...
python去掉html标签_python 去除html标签的几种方法
#! /usr/bin/python # -*- coding:utf-8 -*- ''' created on 2013-12-18 @author: java ''' import re from ...
html标签转换字符类型,java把html标签字符转换成普通字符(反转换成html标签)
package net.jasonjiang.web; import org.junit.Test; import org.springframework.web.util.HtmlUtils; /* ...
java 转换html标签,java转化html标签
java转化html标签 [2021-02-08 19:59:19] 简介: php去除nbsp的方法:首先创建一个PHP代码示例文件:然后通过"preg_replace("/( ...
java 拼html页面返回,java返回html标签
java返回html标签 [2021-02-03 19:08:44] 简介: php删除html标签的方法:可以利用strip_tags函数来进行删除,如[strip_tags("Hell ...
java 保存html页面,java保存html标签
java保存html标签 [2021-02-02 19:39:15] 简介: php去除nbsp的方法:首先创建一个PHP代码示例文件:然后通过"preg_replace("/( ...
java输出中写html标签,java 输出html标签
java 输出html标签 [2021-02-01 07:37:44] 简介: php去除nbsp的方法:首先创建一个PHP代码示例文件:然后通过"preg_replace("/ ...
html5ul消除圆点,overflow清楚浮动 + 去掉li标签的小圆点
原文链接:http://blog.163.com/qqabc20082006@126/blog/static/22928525201031211212955/ 测试用例: 无标题文档 #wrapper ...