Java 替换字符串中的所有非 HTML 标签答案

【问题标题】：Java replace all non-HTML Tags in a StringJava 替换字符串中的所有非 HTML 标签
【发布时间】：2011-06-09 03:47:37
【问题描述】：

如果字符串中所有看起来像标签的部分不是有效的 HTML 标签，我想替换它们。看起来像标签的部分是用<> 括号括起来的东西。例如。 <myemail@email.com> 或 <hello> 但必须保留 <br>、<div> 等。

您知道如何实现这一目标吗？

感谢任何帮助！

干杯，

巴拉兹

【问题讨论】：

替换还是删除？请显示预期输出。
"一二三四五
六
" 到 "一二三四五
六
" - 所以替换为空字符串。

标签： java tags html-parsing

【解决方案1】：

您可以使用JSoup 来清理 HTML。

String cleaned = Jsoup.clean(html, Whitelist.relaxed());

您可以使用已定义的Whitelists 之一，也可以创建自己的自定义之一，在其中指定您希望允许哪些 HTML 元素通过清理器。其他所有内容均已删除。

你的具体例子是：

String html = "one two three <blabla> four <text> five <div class=\"bold\">six</div>";
String cleaned = Jsoup.clean(html, Whitelist.relaxed().addAttributes("div", "class"));
System.out.println(cleaned);

输出：

one two three  four  five 
<div class="bold">
 six
</div>

【讨论】：

【解决方案2】：

查看 java.util.Scanner 类 - 您可以设置一个分隔符，然后查看字符串是否与 HTML 标记匹配 - 您必须构建一个应该被忽略的字符串数组。

【讨论】：

我不想自己构建数组，我宁愿寻找一个已经存在的枚举，类似于download.oracle.com/javase/1.4.2/docs/api/javax/swing/text/html/…
与这篇文章类似的东西 -> stackoverflow.com/questions/240546/…
是的，我也看到了。所以我的问题很相似，只是我不想去掉 HTML 标签而是保留它们。

【解决方案3】：

您可能还希望在比较算法中包含结束标签。因此，您可能需要查找正斜杠（html 结束标记）并在比较之前将其剥离。

【讨论】：

【解决方案4】：

如果您这样做是为了在网页上显示不受信任的数据，那么简单地删除无效标签是不够的。看看OWASP AntiSamy。

【讨论】：

感谢您的提示，我会看看它，但这次我希望它们简单地删除。不多也不少。