用于删除 MSWord 生成的 HTML 标记的 Java 类答案

【问题标题】：Java class to remove HTML tags generated by MSWord用于删除 MSWord 生成的 HTML 标记的 Java 类
【发布时间】：2011-05-06 22:42:01
【问题描述】：

某些 HTML 表单由用户使用 MSWord、FCK 编辑器或其他编辑器中的复制和粘贴来填写。这会生成讨厌的标签，使其他工具无法正常工作。有没有办法让服务器清理传入的参数，从而去除讨厌的 HTML 标签？

当然，正则表达式是没有用的，只要用户可以写什么就行。

我的意思是 Java 类有点专门从事这项工作。

Par 示例，所有这些都可能被替换为 void 字符串。

【问题讨论】：

嗨。我也遇到了同样的问题你找到解决上述问题的方法了吗？
嗨，我终于用 javax.swing.text.html.parser.ParserDelegator.parse 并且工作正常
嗨。你是如何使用 javax.swing.text.html.parser.ParserDelegator.parse 的？你能粘贴代码吗？我还有这个问题吗？
我用过这个：stackoverflow.com/questions/240546/…

标签： java html ms-word

【解决方案1】：

FCKEditor 有一个“从单词粘贴”按钮，效果很好。您能否要求您的用户使用此功能？

【讨论】：

很好，但是只要可以应用其他小部件，我就需要来自服务器的解决方案。而且我的用户不会使用该按钮，哈哈

【解决方案2】：

你可以试试JTidy。它是 HTMLtidy 的 Java 端口，可以执行您正在寻找的清理类型。警告购买者：我没有使用过 JTidy，也不知道它的效果如何。

【讨论】：

【解决方案3】：

使用https://code.google.com/p/owasp-java-html-sanitizer/

import org.owasp.html.PolicyFactory;
import org.owasp.html.Sanitizers;

构建一个 html 只接受策略。这将摆脱除您说要包括的内容之外的所有内容。这不仅会删除 Word Html 垃圾，还会保护您的 html 输入免受 xss 的影响。

PolicyFactory policy = (new HtmlPolicyBuilder().allowElements("table", "tr", "td", "th").allowAttributes("style").globally()).toFactory();
        policy = policy.and(Sanitizers.FORMATTING).and(Sanitizers.BLOCKS).and(Sanitizers.IMAGES).and(Sanitizers.LINKS);

String safeHtml = policy.sanitize(html);

JTidy 的问题在于它可能非常慢。相比之下，html sanitizer 的速度非常快。

【讨论】：

【解决方案4】：

CKEditor 的最新版本支持从 word 粘贴时自动检测，这意味着他们不必使用按钮，即使按钮在那里。它会检测到单词的粘贴并提供清理或将其转换为纯文本。

【讨论】：

【解决方案5】：

docx4j 生成干净的 HTML，专门用于往返 CKEditor。

【讨论】：