终于搞懂如何用Java去除HTML标签了

java移除富文本编辑的h5标签 public static String removeHtmlTag(String inputString) { if (inputString == null) return null; String htmlStr = inputString; // 含html标签的字符串 String textStr = “”; java.util.regex.Pattern p_script; java.util.regex.Matcher m_script; java.util.regex.Pattern p_s 阅读详情
AI摘要

本文介绍了如何使用正则表达式、Jsoup和HTMLCleaner从HTML文档中提取纯文本。虽然正则表达式简单易用,但可能无法处理复杂情况,如嵌套标签和特殊字符。相比之下,Jsoup和HTMLCleaner作为专门的HTML解析库,能更准确地提取文本并处理HTML内容。Jsoup默认删除文本格式和空白,而HTMLCleaner允许自定义解析行为,如忽略特定标签。

在我平时的工作中,偶尔会用 Java 做一些解析HTML的工作。有的时候我需要删除所有的HTML标签,只保留纯文字内容。这个问题在做过一些爬虫工作的朋友来说很简单。下面来说说,我们平时使用到的集中解析的方法。

使用正则表达式

通过爬虫爬到的HTML内容,从程序角度来讲,就是一个字符串。我们可以对其按照纯文本处理的方式来处理。

我们在做文本处理的时候,第一个想到的就是正则表达式。从一个字符串中删除HTML,对于正则来说,还是比较简单的。毕竟还是有固定的格式,比如“<...>”。

我们常用的的正则就是 <[^>]> 或者 <.*?> 。

我们在使用正则的时候,需要注意的是正则默认是贪婪匹配。也就是说,正则表达式<.*> 能够匹配到更多的HTML内容,而不是单个标签。

现在,让我们测试一下它是否能从HTML源中删除标签。

正则测试删除标签1

在我们测试删除HTML标签之前,首先让我们创建一个HTML例子,例如example1.html。

<!DOCTYPE html>
<html>
<head>
    <title>这是标题</title>
</head>
<body>
    <p>
        如果应用程序X没有启动,可能的原因是<br/>
        1. <a href="https://maven.apache.org">Maven</a>没有安装<br/>
        2. 磁盘空间不足<br/>
        3. 内存不足
    </p>
</body>
</html>

现在,让我们写一个测试,用String.replaceAll()来删除HTML标签。

String html = ... // load example1.html
String result = html.replaceAll("<[^>]`>", "");
System.out.println(result);

如果我们运行这个测试方法,我们会看到结果。

    这是标题



        如果应用程序X没有启动,可能的原因是
        1.Maven没有安装
        2.磁盘空间不足
        3.没有足够的内存

输出结果保留了剥离后的HTML的空白处。我们在处理提取的文本时,可以很容易地删除或跳过这些空行或空白处。

正则测试删除标签2

我们刚才已经看到了,通过使用Regex来删除HTML标签是非常简单。但是粗暴的使用这种方法会有很多问题,我们不能预测最终的结果会是怎么样的。

例如,一个HTML文档可能有<script>或<style>标签,而我们可能不希望在结果中出现它们的内容。

此外,<script>、<style>、甚至是<body>标签中的文本可能包含 <或 >字符。如果是这种情况,我们的正则方法可能会出错。

现在,让我们看看另一个例子,比如example2.html。

<!DOCTYPE HTML>
<html>
<head>
    <title>这是标题</title>
</head>
<script>
    // some js function
</script>
<body>
    <p>
        如果应用程序X没有启动,可能的原因是<br/>
        1. <a
            id="link"
            href="http://maven.apache.org/">
            Maven
            </a> 没有安装<br/>
        2. 磁盘空间不足 (<1G) <br/>
        3. 内存不足(<64MB)<br/>
    </p>
</body>
</html>

现在我们有一个<script>标签和 <字符在<body>标签内。

如果我们对example2.html使用同样的方法,我们会得到如下内容。

   这是标题
    // some js function
        如果应用程序X没有启动,可能的原因是
        1. 
            Maven
             没有安装
        2. 磁盘空间不足 (
        3. 内存不足(

显然,由于"<"字符的存在,我们丢失了一些文本。所以正则在处理文本的时候并不是万能的。我们可以使用一些 HTML 解析器来做这些比较复杂的场景。

使用Jsoup

Jsoup 是一个流行的HTML解析库,如果想要从一个HTML文档中提取文本,我们可以简单地调用Jsoup.parse(htmlString).text()。

在项目中使用的时候,我们首先需要添加 jsoup 的依赖库,我们这里就通过maven的方式引入。

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.14.3</version>
</dependency>

我们用 example2.html来测试一下。

String html = ... // load example2.html
System.out.println(Jsoup.parse(html).text());

如果我们让这个方法运行,它就会打印出来。

这是标题 如果应用程序X没有启动,可能的原因是 1.Maven没有安装 2.没有足够的(<1G)磁盘空间 3.没有足够的(<64MB)内存

从输出结果可知,Jsoup已经成功地从HTML文档中提取了文本。另外,<script>元素中的文本已经被忽略了。

此外,默认情况下,Jsoup会删除所有的文本格式和空白处,比如换行符。

使用HTMLCleaner

HTMLCleaner 也是一个HTML解析库。

首先,我们需要在pom.xml中添加HTMLCleaner 依赖。

<dependency>
    <groupId>net.sourceforge.htmlcleaner</groupId>
    <artifactId>htmlcleaner</artifactId>
    <version>2.25</version>
</dependency>

我们可以设置[各种参数](http://htmlcleaner.sourceforge.net/parameters.php)来控制HTMLCleaner的解析行为。我们在这里使用HTMLCleaner在解析example2.html时跳过<script>元素。

String html = ... // load example2.html
CleanerProperties props = new CleanerProperties();
props.setPruneTags("script");
String result = new HtmlCleaner(props).clean(html).getText().toString();
System.out.println(result);

运行一下,HTMLCleaner将产生这样的输出。

这是标题



        如果应用程序X没有启动,可能的原因是:
        1.Maven没有安装
        2.没有足够的(<1G)磁盘空间
        3.内存不足(<64MB)

我们可以看到,<script>元素中的内容被忽略了, <br/>标签转换为提取的文本中的换行符。另外, HTMLCleaner 保留了HTML的空白内容。

总结

在这篇文章中,我们学习了几种去除HTML的方法,我们需要注意的是,正则在文本处理的过程中并不是万能的。

【高频考点精讲】HTML语义化标签到底怎么用?10分钟彻底搞懂header、footer、article等标签的正确用法 🧑‍🏫:全栈老李📅:2025 年 5 月🧑‍💻:前端初学者、进阶开发者🚀:本文由全栈老李原创,转载请注明出处。大家好,我是全栈老李。今天咱们来聊聊前端开发中一个看似简单但很多人用不对的东西——HTML语义化标签。每次Code Review看到同事用<div>包一切的时候,我都想冲上去说:"兄弟,咱能不能用点有意义的标签? 阅读详情

相关推荐

HTML语法全解析:从DOCTYPE到标签嵌套的实战指南

HTML作为标记语言,其语法核心并非变量与函数,而是标签嵌套、属性规则与文档结构。很多开发者写页面时凭感觉,却常因DOCTYPE缺失、charset位置错误或标签交叉嵌套而踩坑,导致布局崩塌、乱码或样式错乱。理解浏览器解析机制、掌握语义化标签的价值,并熟悉HTML转Markdown、HTML邮件等实际场景的语法约束,是前端工程实践中不可或缺的基本功。本文从标记语言原理出发,深入解析DOCTYPE、lang、charset等关键声明的作用,梳理标签闭合、属性引号、布尔属性等硬性规范,并剖析嵌套陷阱与常见浏览器

weixin_32570803的博客 529

java怎么去掉html标签

1、通过纯正则方法去掉html标签;

10000guo的博客 3380

HTML基础语法与语义化标签实战:基于MDN的系统梳理

超文本标记语言(HTML)是构建网页内容与结构的基石。它用标签描述标题、段落、链接、图片和表单等元素,浏览器据此渲染出可读可交互的页面。理解标签的嵌套语义与正确的文档骨架,是前端开发最重要的基本功之一。MDN 文档提供了权威且持续更新的语法参考,配合浏览器开发者工具能有效排查标签闭合、路径引用和默认样式等问题。在实际开发中,合理使用 header、nav、main、article 等语义化标签,不仅让代码更易维护,也能帮助搜索引擎和辅助技术理解页面内容。无论你是刚接触网页的新手,还是希望系统掌握 HTML

weixin_29708043的博客 187

网络爬虫——HtmlCleaner解析HTML

HtmlCleaner 是另外一款基于 Java 开发的 HTML 文档解析器,支持 XPath 语法提取 HTML 中的节点或元素。

吴声子夜歌的博客 1438

Java编程:去除HTML标签

在Java编程中,有时候我们需要处理包含HTML标签的文本数据。然而,在某些情况下,我们可能需要从文本中去除这些HTML标签,只保留纯文本内容。本文将介绍一种使用Java实现去除HTML标签的方法,并提供相应的源代码。通过正则表达式的替换操作,我们可以方便地去除字符串中的HTML标签,只保留纯文本内容。方法,我们将匹配到的HTML标签替换为空字符串,从而实现了去除HTML标签的功能。在上面的代码中,我们使用了正则表达式来匹配并替换HTML标签。方法得到去除HTML标签后的纯文本内容,并将其打印输出。

2301_79331421的博客 906

Java去掉html标签

Java去掉html标签

技术分享 386

java获取html标签中的内容_第3天:HTML 中的 head 标签

昨天同学反馈的问题主要集中在以下几个:1.内容比较少,很快就学完了。目前内容确实比较简单,我在文末加入一些比较难的内容,有条件的同学可以提前学习。2.多讲一些原理性的内容。为了照顾所有的同学,还是从基础开始,后续会适当的增加一些除课程大纲外的内容。前面我们讲了 HTML 的基本结构,对于各个标签并没有深入讲解,今天我们学习 head 标签。先看一下 MDN 关于 head 标签的说明:T...

weixin_40002692的博客 607

独立站如何采集商品?外贸独立站采集教程

从这里Robert了解到还有国内有很多仿牌卖家、微商,都有类似的情况,他们出海的阻碍主要在于支付、物流、推广。8.插件“抓取任务”列表手动点同步,将商品同步到主商城后台商品管理列表(商品默认同步到下架列表中) 后台商品管理下架列表显示已同步商品。5.店铺信息修改完成后,可以开始采集商品,采集时弹窗中会自动识别当前平台及商品链接,分类和相册名称可以自定义 编辑修改。4. 打开采集目标站商品页面,点开谷歌浏览器扩展程序列表,找到Shopyy采集平台,打开配置页。打开弹窗中的“店铺管理”,添加店铺信息。

Jernnifer_mao的博客 1381

一篇文章搞懂HTML5基础

记录自己HTML5学习的笔记 文章目录web概念概述一、HTML概念二、标签学习1. 文件标签:构成html最基本的标签2. 文本标签:和文本有关的标签3. 图片标签:展示图片4. 列表标签:6. div和span:7. 语义化标签:html5中为了提高程序的可读性,提供了一些标签。8. 表格标签:9.表单标签 web概念概述 JavaWeb: * 使用Java语言开发基于互联网的项目 软件架构: C/S: Client/Server 客户端/服务器端 在用户本地有一个客户端程序,在远程有一个

weixin_46235428的博客 190

手把手教你用AirSim和Unreal4在Ubuntu上创建自定义无人机仿真场景

本指南详细介绍了如何在Ubuntu系统上使用AirSim和Unreal Engine 4搭建高精度无人机仿真环境。从硬件配置、驱动安装到Unreal Engine编译和AirSim集成,手把手教你创建自定义场景,适用于算法验证和开发测试。

y7z8a的博客 258

C#---第十一课:对列表的各种操作,添加、删除、排序、列表长度、获取元素的索引、FirstOrDefault()、SingleOrDefault()、last()

1.添加元素 2.删除元素 (1)删除列表中指定的元素 (2)删除列表A中所有与列表B相交的元素---常规 (3)删除列表A中所有与列表B相交的元素---lambda 3.排序(正序、倒序) 4.获取列表的最大容量(长度)、已用容量 6.获取元素在列表中的位置(index) 7.判断某元素是否在列表List中 8.获取列表中第一个元素First() & FirstOrDefault() 9.获取列表中唯一元素Single() & SingleOrDefault() 10.获取列表中最后一个元素

Alien-Hu 3630

HTML表单标签本质:数据契约与JAVA后端协作原理

HTML表单是Web应用中前后端数据交互的起点,其核心并非UI控件堆砌,而是一套声明式的数据契约机制。通过name属性定义键名、type属性触发浏览器原生校验(如email/date/number)、label建立语义关联,表单构建起可访问、可验证、可预测的数据通道。这种契约直接决定Servlet request.getParameter()或Spring MVC @RequestParam/@ModelAttribute能否正确绑定——尤其在Educoder头歌等实训平台,name不匹配、type错误或缺

weixin_33827590的博客 314

ICCompiler II实战:从NDM生成到APR流程的完整避坑指南

本文是一份针对ICCompiler II(ICC II)后端物理实现流程的实战避坑指南。文章详细解析了从NDM库生成、设计初始化、布局规划到时钟树综合与布线的完整APR流程,重点分享了各环节的常见陷阱、精细化配置命令与调试经验,旨在帮助工程师高效达成PPA目标,确保设计一次成功。

p4q5r6s7t的博客 533

一文搞懂HTML中的表格、表单、列表

javascript是前端必要掌握的真正算得上是编程语言的语言,学会灵活运用javascript,将对以后学习工作有非常大的帮助。掌握它最重要的首先是学习好基础知识,而后通过不断的实战来提升我们的编程技巧和逻辑思维。这一块学习是持续的,直到我们真正掌握它并且能够灵活运用它。如果最开始学习一两遍之后,发现暂时没有提升的空间,我们可以暂时放一放。继续下面的学习,javascript贯穿我们前端工作中,在之后的学习实现里也会遇到和锻炼到。真正学习起来并不难理解,关键是灵活运用。

2401_85124347的博客 935

抖音用户评论和ID的采集方法

随着5G时代的普及,各大运营商的套餐纷纷推出,使得流量成本进一步降低。同时5G线路高宽带、低延迟的技术特性和手机普及,让视频用户访问量快速增加。 由于大量的视频工具和拍摄APP的提供,让短视频的拍摄、制作包括发行都变得更加简单便捷,越来越多的普通人可以投入视频创作,创造了更丰富的互联网内容,视频作者从视频推广中能获取粉丝和推广收益。 目前抖音就是目前最重要的短视频平台之一,要及时获取上面的用户评论和ID,需要结合爬虫代理实现采集方案,下面的代码就能快速采集相关信息: package htmlunit; i

ssbt_2020的博客 6793

手把手教你搭建《黑色沙漠》单机版:从下载到联机的完整指南(含GM工具使用)

本文提供《黑色沙漠》单机版从下载安装到GM工具使用及局域网联机的完整教程。详细解析不同版本选择、系统配置要求、常见问题解决,并分享GM工具高级命令和局域网联机设置技巧,帮助玩家轻松搭建个性化游戏环境。

weixin_28738165的博客 471

【Web基础入门】一文搞懂HTML + CSS + JavaScript 简单了解

1、HTML:HTML概述、W3C概述、B/S架构系统原理、table、背景色与背景图片、超链接、列表、表单、框架等 2、CSS:层叠样式表是一种用来表现HTML或XML等文件样式的计算机语言。不仅可以静态地修饰网页,还可以配合各种脚本语言动态地对网页各元素进行格式化 3、JavaScript核心语法、内置支持类、JS调试、JSDOM...

weixin_43895667的博客 3970

华为OD机试真题 新系统 9月16号 【统计特殊数字】

华为OD新系统机试真题【统计特殊数字】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【统计特殊数字】。

qq_45776114的博客 780

IntelliJ IDEA 部署 Web 项目,终于搞懂了!

作者:dulk www.cnblogs.com/deng-cc/p/6416332.html 这篇牛逼:Java 程序员必备的 Intellij IDEA 插件 IDEA 中最重要的各种设置项,就是这个 Project Structre 了,关乎你的项目运行,缺胳膊少腿都不行。 最近公司正好也是用之前自己比较熟悉的IDEA而不是Eclipse,为了更深入理解和使用,就找来各种资料再研究一下,...

Java技术栈,分享最主流的Java技术 1407

《网络安全自学教程》- Windows基线检查加固

Windows安全配置,基线检查标准,基线加固方式

wangyuxiang946的博客 1万+

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

HTML基础入门

Java后端学习——HTML入门

程序员阿龙的博客 1524

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

上一篇: 一文看懂Java锁机制
下一篇: Spring中的Controller和Service是线程安全的吗?我有点懵
Java佳佳
博客等级 码龄4年 216粉丝 286原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值