Java过滤HTML标签实例

最新推荐文章于 2022-06-28 10:17:30 发布

UPC_思念

最新推荐文章于 2022-06-28 10:17:30 发布

阅读量542

点赞数

分类专栏： java 文章标签： html java regex string 正则表达式 stylesheet

java 专栏收录该内容

36 篇文章

订阅专栏

本文介绍了一个用于将HTML代码转换为纯文本并去除HTML标签的Java类Html2Text，通过使用正则表达式过滤script、style和HTML标签，实现从HTML中提取文本内容的功能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

package string;
import java.util.regex.Pattern;
/**
 * 截取HTML代码
 * 
 * @author YangJunping
 * @date 2010-7-15
 */
public class Html2Text {
	public static void main(String[] args) {
		StringBuffer htmlStr = new StringBuffer();
		htmlStr.append("<!DOCTYPE html PUBLIC '-//W3C//DTD XHTML 1.0 Transitional//EN' 'http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd'>")
		       .append("<html xmlns='http://www.w3.org/1999/xhtml' xml:lang='en'><head><title>aaa</title><mce:script type='text/javascript'></mce:script>")
		       .append("<link href="static_files/help.css" mce_href="static_files/help.css" rel='stylesheet' type='text/css' media='all' />")
		       .append("</head><body><ul><li>XXXX</li></ul></body></html>");
		
		System.out.println(Html2Text(htmlStr.toString()));
	}
	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;    
  
        java.util.regex.Pattern p_html1;    
        java.util.regex.Matcher m_html1;    
  
       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    
            String regEx_html1 = "<[^>]+";    
            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    
  
            p_html1 = Pattern.compile(regEx_html1, Pattern.CASE_INSENSITIVE);    
            m_html1 = p_html1.matcher(htmlStr);    
            htmlStr = m_html1.replaceAll(""); // 过滤html标签    
  
            textStr = htmlStr;    
  
        } catch (Exception e) {    
            System.err.println("Html2Text: " + e.getMessage());    
        }    
  
       return textStr;// 返回文本字符串    
    }   
}