将接收到的http内容过滤非法字符去掉html标签-优快云博客

本文链接：https://blog.youkuaiyun.com/iteye_7816/article/details/82508753

本文提供两种实用的方法：一种用于替换XML字符串中的非法字符，确保其符合标准；另一种用于过滤HTML标签，提取纯文本内容。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

/**
* 使用指定字符串替换XML字符串中的非法字符
* @param in
* @param replaceStr
* @return
*/
public static String replaceNonValidXMLCharacters(String in, String replaceStr){
return in.replaceAll("[\\u0000-\\u0008\\u000B-\\u000C\\u000E-\\u001F\\uD800-\\uDFFF\\uFFFE-\\uFFFF]", replaceStr);
}

// 过滤HTML标签
public static String Html2Text(String inputString) {
  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_style;
  java.util.regex.Matcher m_style;
  java.util.regex.Pattern p_html;
  java.util.regex.Matcher m_html;

  try {
   String regEx_script = "<[//s]*?script[^>]*?>[//s//S]*?<[//s]*?///[//s]*?script[//s]*?>"; // 定义script的正则表达式{或<script[^>]*?>[//s//S]*?<///script>
   String regEx_style = "<[//s]*?style[^>]*?>[//s//S]*?<[//s]*?///[//s]*?style[//s]*?>"; // 定义style的正则表达式{或<style[^>]*?>[//s//S]*?<///style>
   String regEx_html = "<[^>]+>"; // 定义HTML标签的正则表达式
   p_script = Pattern.compile(regEx_script, Pattern.CASE_INSENSITIVE);
   m_script = p_script.matcher(htmlStr);
   htmlStr = m_script.replaceAll(""); // 过滤script标签

   p_style = Pattern.compile(regEx_style, Pattern.CASE_INSENSITIVE);
   m_style = p_style.matcher(htmlStr);
   htmlStr = m_style.replaceAll(""); // 过滤style标签

   p_html = Pattern.compile(regEx_html, Pattern.CASE_INSENSITIVE);
   m_html = p_html.matcher(htmlStr);
   htmlStr = m_html.replaceAll(""); // 过滤html标签

textStr = htmlStr;

  } catch (Exception e) {
  }

  //去除“ ” &nbsp
  textStr = StringEscapeUtils.unescapeHtml4(textStr);
  return textStr;// 返回文本字符串
}