如何保留 XML 标签但删除 HTML 标签 [关闭]

Question

我有一个包含一些 HTML 标记的 XML 文件。我想保留 XML 标签但删除 HTML 标签。例如在下面的结构中

<xml_tag_parent>
     <xml_tag_child>
       Some text here <p> some parag here </p>
     </xml_tag_child>
</xml_tag_parent>

我想得到：

<xml_tag_parent>
     <xml_tag_child>
       Some text here some parag here 
     </xml_tag_child>
</xml_tag_parent>

我事先不知道xml标签是什么。 另请注意，HTML 标记可能是嵌套的，因此我不能只获取节点的值。例如在以下 xml 文档中：

<description id="description">
  <heading id="h-0001" level="1">CROSS REFERENCE</heading>
  <p id="p-0002" num="0001">The Paragraph </p>
  <claim attr="someAttr"> abcs </claim>
  <claim attr="2">
    <p> this is another paragraph <b>with some bold things</b> </p>
  </claim>
</description id="description">

我想得到：

<description id="description">
  CROSS REFERENCE The Paragraph
  <claim attr="someAttr"> abcs </claim>
  <claim attr="2">
    this is another paragraph with some bold things
  </claim>
</description id="description">

我可以尝试对所有 HTML 标记进行硬编码，找到它们并删除它们。例如，我可以查找 标签并将其替换为空字符串，但这听起来不正确，此外还有很多标签需要覆盖。是否有 Java 中的库或更好的方法来做到这一点？

Answer 1

您可以使用 Jsoup 库，它可以帮助您报废 html 标签。完整的教程可以从jsoup获得。用于废弃 html 标记的代码是：

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

Answer 2

您可以使用 Jericho jar 来实现您想要的。

它有能力只提取html标签并忽略所有其他标签，符合你想要的。

http://jericho.htmlparser.net/docs/index.html