从文本中删除除 之外的所有 HTML 标记？答案

【问题标题】：Remove all HTML tags except from a text?从文本中删除除 之外的所有 HTML 标记？
【发布时间】：2011-02-14 09:05:05
【问题描述】：

大家好我有一个我想要的 java 字符串 1-从中删除除新行标签 和之外的所有html标签，如果有文本，则将文本保留在标签内。 2-解析后的文本结果相互连接，如： text1andtext2 ，文本之间没有空格分隔，我也想这样做。

这就是我正在做的事情：

String html = "<div dir=\"ltr\">hello my friend<span>ECHO</span><br>how are you ?<br><br><div class=\"gmail_quote\">On Mon, Feb 14, 2011 at 10:45 AM, My Friend <span dir=\"ltr\">&lt;<a href=\"mailto:notifications@mydomain.com\">notifications@mydomain.com</a>&gt;</span> wrote:<br> "
            + "<blockquote class=\"gmail_quote\" style=\"margin: 0pt 0pt 0pt 0.8ex; border-left: 1px solid rgb(204, 204, 204); padding-left: 1ex;\"> ";
    String parsedText = html.replaceAll("\\<.*?\\>", "");
    System.out.println(parsedText);

当前输出：

hello my friendECHOhow are you ?On Mon, Feb 14, 2011 at 10:45 AM, My Friend &lt;notifications@mydomain.com&gt; wrote:

想要的输出：

hello my friend ECHO <br> how are you ? <br> <br> On Mon, Feb 14, 2011 at 10:45 AM, My Friend &`lt;notifications@mydomain.com&gt; wrote:`

【问题讨论】：

可能重复：stackoverflow.com/questions/240546/…
不，我不想删除所有 html 标签，因为这实际上是代码正在做的事情，我想删除除新行标签之外的所有 html 标签。

标签： java regex

【解决方案1】：

你可以这样做：

final String html =
    "<div dir=\"ltr\">hello my friend<span>ECHO</span><br>how are you ?" +
    "<br><br><div class=\"gmail_quote\">On Mon, Feb 14, 2011 at 10:45 AM," +
    " My Friend <span dir=\"ltr\">&lt;<a href=\"mailto:notifications@mydo" +
    "main.com\">notifications@mydomain.com</a>&gt;</span> wrote:<br><bloc" +
    "kquote class=\"gmail_quote\" style=\"margin: 0pt 0pt 0pt 0.8ex; bord" +
    "er-left: 1px solid rgb(204, 204, 204); padding-left: 1ex;\"> ";
final Pattern tagPattern = Pattern.compile("<([^\\s>/]+).*?>");
final Matcher matcher = tagPattern.matcher(html);
final StringBuffer sb = new StringBuffer(html.length());
while(matcher.find()){
    matcher
        .appendReplacement(sb, matcher.group(1).equalsIgnoreCase("br")
            ? matcher.group()
            : " ");
}
matcher.appendTail(sb);

final String parsedText = sb.toString();
System.out.println(parsedText);

输出：

hello my friendECHO<br>how are you ?<br><br>On Mon, Feb 14, 2011 at 10:45 AM,
My Friend &lt;notifications@mydomain.com&gt; wrote:<br>

但我希望你知道Cthulhu is calling if you do。不要用 Regex 解析 HTML / XML！

【讨论】：

非常感谢上面的例子，但你的意思是我应该用像 Jsoup 这样的 html 解析器来做吗？
我的意思是，对于这样一个简单的例子，Regex 可能没问题，但如果它变得更复杂一点，是的，JSoup 可能是一个好主意。
@Sean：“但我希望你知道，如果你知道，克苏鲁在召唤你。”有趣的回复:)
那么文本格式 hello myfriendECHO 之间应该有一个空格
@James 不是我自己的想法，不幸的是：codinghorror.com/blog/2009/11/parsing-html-the-cthulhu-way.html

【解决方案2】：

我愿意

用换行符或其他特殊字符替换所有
。
删除所有标签。
将特殊字符替换为

【讨论】：

【解决方案3】：

看看这个问题

How do I preserve line breaks when using jsoup to convert html to plain text?

【讨论】：