文本内清除Html标签,js,style，换行

最新推荐文章于 2024-07-23 17:46:47 发布

Allean_

最新推荐文章于 2024-07-23 17:46:47 发布

阅读量2.2k

点赞数

CC 4.0 BY-SA版权

分类专栏： Java基础小工具文章标签： html标签清除文本html标签

本文链接：https://blog.youkuaiyun.com/weixin_39040059/article/details/79803029

Java基础同时被 2 个专栏收录

6 篇文章

订阅专栏

小工具

2 篇文章

订阅专栏

本文介绍了一个用于清理HTML的工具，该工具可以根据需求移除脚本、样式、HTML标签及空白字符等，适用于从网页中提取纯文本内容的场景。


/**
     *应用场景:获取到一个网页，提取文本内容的时候就可以使用这个工具
     * @param cleanType 1:清除js  2：清除style  3.清除html  4.清除空格和换行 
     * @param htmlStr 原html字符串
     * @return 返回清理之后的字符串
     */
    public static String doCleanHtml(String htmlStr,int cleanType){
            //定义script的正则表达式
            String regEx_script="<script[^>]*?>[\\s\\S]*?<\\/script>";
            //定义style的正则表达式
            String regEx_style="<style[^>]*?>[\\s\\S]*?<\\/style>";
            //定义HTML标签的正则表达式
            String regEx_html="<[^>]+>";
            //定义空格回车换行符
            String regEx_space = "\\s*|\t|\r|\n";//定义空格回车换行符
            if(cleanType ==1){
                Pattern p_script = Pattern.compile(regEx_script, Pattern.CASE_INSENSITIVE);
                Matcher m_script = p_script.matcher(htmlStr);
                htmlStr = m_script.replaceAll(""); // 过滤script标签
            }else if(cleanType ==2){
                Pattern p_style = Pattern.compile(regEx_style, Pattern.CASE_INSENSITIVE);
                Matcher m_style = p_style.matcher(htmlStr);
                htmlStr = m_style.replaceAll(""); // 过滤style标签
            }else if(cleanType ==3){
                Pattern p_html = Pattern.compile(regEx_html, Pattern.CASE_INSENSITIVE);
                Matcher m_html = p_html.matcher(htmlStr);
                htmlStr = m_html.replaceAll(""); // 过滤html标签
            }else if(cleanType ==4){
                Pattern p_space = Pattern.compile(regEx_space, Pattern.CASE_INSENSITIVE);
                Matcher m_space = p_space.matcher(htmlStr);
                htmlStr = m_space.replaceAll(""); // 过滤空格回车标签
            }
            return htmlStr.trim(); // 返回文本字符串 
    }

newContentStr = newContentStr.replaceAll("<img[^>]*>", "ㄨ");  //把所有img标签替换点，其他标签类似