除了完全在每个标签之外的文本，如何删除 HTML 标记？答案

【问题标题】：How to Remove HTML markup except for text completely outside every tag?除了完全在每个标签之外的文本，如何删除 HTML 标记？
【发布时间】：2011-03-07 18:57:45
【问题描述】：

我的情况是，我的 HTML 标记带有一些外部文本（前导或尾随）。我应该使用什么正则表达式？例如：

some text over here
<Html>
<Title>website</Title>
<Body>
text text text
<Div>xxxxx</Div>
</Body>
</Html>
ending text

所以，我应该只得到“这里的一些文本”和“结束文本”......每个标签内的所有 html + 文本都不应该扣除。

另一个例子：

abcdef<div>xyz</div>

它应该返回“abcdef”

任何方法或建议将不胜感激。谢谢

【问题讨论】：

不确定您的示例是否如您所愿？
我认为您的示例需要重做。您似乎从他们那里丢失了 HTML 标记...
如果它看起来像这样：abc<div>hi there</div>cats are > dogs？换句话说，您对杂散文本是否真的 HTML 有多少挑剔？

标签： html regex tags

【解决方案1】：

Don't use regex to parse (X)HTML!

改为使用 XML 解析器。也许HtmlCleaner 会有所帮助？来自this answer，下面的代码 sn -p 说明了语法。

TagNode root = htmlCleaner.clean( stream );
Object[] found = root.evaluateXPath( "//div[id='something']" );
if( found.length > 0 && found instanceof TagNode ) {
    ((TagNode)found[0]).removeFromTree();
}

一旦您对可以选择各种 html sn-ps 感到满意，您就可以简单地从输入流中删除它们的内容，只留下周围的文本。

【讨论】：

【解决方案2】：

搜索

(.*?)<.*>(.*?)

并替换为

$1 $2

假设 HTML 文档之前或之后的文本从不包含，则应该这样做。如果这是一种可能性，事情会变得有点复杂。根据文件的内容，您可以删除从起始 HTML 标记或 doctype 一直到结束 HTML 标记的所有内容（忽略大小写）：

(.*?)<(doctype|html).*</html>(.*?)

并替换为

$1 $3

【讨论】：

【解决方案3】：

我个人不会为此使用正则表达式。我不知道你是否有其他选择，但如果你可以将 HTML 片段加载到某种 DOM 中，那么你应该能够轻松地找到所有标签和子项并将它们删除。

我看不到您的示例，但如果您确实有特殊情况，即您的外部文本始终位于文本的开头或结尾，那么这样的事情应该可以工作：

^(.*?)<.*>(.*?)$ 与第一个和第二个括号匹配您想要的文本。但是，如果您可以拥有

text<b>HTML</b>text<b>HTML</b>text

当然还有更糟糕的情况，即您希望输出为“texttexttext”的多重嵌套 HTML，那么我认为正则表达式可能非常复杂。

【讨论】：

不要忘记<html><body> <p>Hi, we're going to talk about HTML!</p> ... </body></html>，即使您确实匹配了标签。您需要正确解析 HTML，而这不能用正则表达式来完成。
好点。我已经忘记了 cmets 等标签的噩梦。 :)