正则表达式删除 html 并没有摆脱 img 标签答案

【问题标题】：Regex to remove html does not get rid of img tag正则表达式删除 html 并没有摆脱 img 标签
【发布时间】：2011-06-14 18:11:43
【问题描述】：

我正在使用正则表达式来删除 HTML 标签。我做类似的事情 - result.replaceAll("\<.>", "");

但是，它并不能帮助我摆脱 html 中的 img 标签。知道什么是这样做的好方法吗？

【问题讨论】：

为了所有善良和理智的事物的爱，请不要使用正则表达式 HTML - 请使用解析器。
您能否详细解释一下。我认为应该用你的正则表达式删除像<img src="ping.png"> 这样的东西。
如果 html 包含类似<span>x < 7</span> 的内容会怎样？您不能使用正则表达式解析/处理 HTML。请参阅此答案以了解原因：stackoverflow.com/questions/1732348/…
@Marc B，这不是一个有效的示例，因为您需要使用 < 转义
@Mikola 其实有一个简单的反例：<img src="ping.png" alt=">>>ALT>>>"/>。将正则表达式用于 HTML 之类的东西确实不是一个好主意。

标签： java html-parsing

【解决方案1】：

如果您不能使用 HTML 解析器/清理器，那么我至少建议您使用 Pattern.DOTALL 标志来处理多行 HTML 块。考虑这样的代码：

String str = "123 <img \nsrc='ping.png'>abd foo";
Pattern pt = Pattern.compile("<.*?>", Pattern.DOTALL);
Matcher matcher = pt.matcher(str);
StringBuffer sb = new StringBuffer();
while (matcher.find()) {
    matcher.appendReplacement(sb, "");
}
matcher.appendTail(sb);
System.out.println("Output: " + sb);

输出

Output: 123 abd foo

【讨论】：

如果您在 Howard 发布的示例中尝试此操作会怎样？ foo<.jpg>
@Mikola：即使我在回答中也建议不要使用正则表达式。我已经回答了这个问题，因为 OP 坚持使用简单的正则表达式。 HTML 是如此不规则，以至于任何正则表达式都无法处理这些边缘情况。

【解决方案2】：

要给出更具体的建议，请使用 JSoup（或 NekoHTML）将 HTML 解析为 Java 对象。

一旦你有了一个Document 对象，就可以轻松地遍历它来删除标签。这个cookbook recipe 展示了如何从 DOM 中获取属性和文本。

【讨论】：

我之前看过 JSoup，但它非常庞大。我需要一个小型轻量级库或代码。
NekoHTML 是另一种选择，Thor 提到了 HTMLCleaner。

【解决方案3】：

另一个建议是HtmlCleaner

【讨论】：

【解决方案4】：

我只是重申其他人已经说过的话，但这一点不能被夸大：不要使用正则表达式来解析 HTML。 SO上有1000个类似的问题。使用适当的 HTML 解析器，它会让你的生活变得更加轻松，并且更加健壮和可靠。看看 Dom4j、Jericho、JSoup。请。

【讨论】：

【解决方案5】：

所以，给你一段代码。我使用http://htmlparser.sourceforge.net/ 来解析 HTML。它并不过分复杂且使用起来非常简单。

基本上是这样的：

import org.htmlparser.Parser;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;

    ...

    String html; /* read your HTML into variable 'html' */
    String result=null;
    ....
    try {
        Parser p = new Parser(html);
        NodeList nodes = p.parse(null);
        result = nodes.asString();
    } catch (ParserException e) {
        e.printStackTrace();
    }

这将为您提供去掉标签的纯文本（但不会修复像 & 这样的替代品）。当然，你可以使用这个库做更多的事情，比如应用过滤器、访问者、迭代等等。

【讨论】：

【解决方案6】：

改用 html 解析器。遍历对象，随心所欲地打印并获得最佳结果。

【讨论】：

【解决方案7】：

我已经能够用下面的代码 sn-p 做到这一点。

String htmlContent = values.get(position).getContentSnippet();
String plainTextContent = htmlContent.replaceAll("<img .*?/>", "");

我使用上面的正则表达式来清理我的 RSS 内容中的 img 标签。

【讨论】：