从字符串中删除 HTML 标签

Question

是否有从 Java 字符串中删除 HTML 的好方法？一个简单的正则表达式

replaceAll("\\<.*?>", "")

会工作，但有些东西如 & 将无法正确转换，并且两个尖括号之间的非 HTML 将被删除（即正则表达式中的 .*? 将消失）。

原文由 Mason 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

使用 HTML 解析器而不是正则表达式。这对于 Jsoup 来说非常简单。

 public static String html2text(String html) {
    return Jsoup.parse(html).text();
}

Jsoup 还 支持 根据可自定义的白名单删除 HTML 标记，如果您只想允许例如 <b> ， <i> 和 <u> ，这将非常有用

也可以看看：

• RegEx 匹配除 XHTML 自包含标签之外的开放标签
• 领先的 Java HTML 解析器的优点和缺点是什么？
• JSP/Servlet Web 应用程序中的 XSS 预防

原文由 BalusC 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 2

如果你正在为 Android 写作，你可以这样做……

androidx.core.text.HtmlCompat.fromHtml(指令,HtmlCompat.FROM_HTML_MODE_LEGACY).toString()

原文由 Ken Goodridge 发布，翻译遵循 CC BY-SA 4.0 许可协议