使用JSoup仅除去HTML标签，而不除去'<'和'>'标签内的数据

Question

我正在使用JSoup解析包含HTML标记为纯文本的字符串。 例如：

String newStr = Jsoup.parse(testStrHTML).text();

它的解析效果很好，但是问题是我的Java字符串是否包含<和>之间的数据（例如Hello <test@gmail.com>因此它正在删除电子邮件地址数据。 我得到的输出是Hello ，我期望在其中Hello <test@gmail.com> 。

我也尝试过使用正则表达式

String newStr = testStrHTML.replaceAll("\\<.*?\\>", "");

但是仍然有问题。

无论如何在<和>之间解析没有自定义数据的HTML标签

Answer 1

您的正则表达式

String newStr = testStrHTML.replaceAll("\\<.*?\\>", "");

完全删除标签。 它与<的开头，标签的开头，标签的标签，标签的所有属性以及最后的>匹配。 然后将其替换为空字符串。

String newStr = testStrHTML.replaceAll("\\<.([^>]*)\\>", "\\1");

应将所有标签替换为标签和标签的所有属性。 这与您的regexp大致匹配，但是用括号内的文本替换了匹配项。

请注意，这会删除上下文，因此它可能不是一个好的解决方案。 由于有效的html被部分保留，因此它也不会产生易于阅读的输出。

最好还是使用Jsoup并浏览DOM。