[英]Stripping HTML tags in Java
是否有现有的Java库提供了从String中剥离所有HTML标记的方法? 我正在寻找与PHP中的strip_tags
函数等效的东西。
我知道我可以使用这个Stackoverflow问题中描述的正则表达式,但是我很好奇是否已经有一个stripTags()
方法浮动在Apache Commons库中可以使用的某个地方。
使用JSoup ,它有很好的文档记录,可以在Maven上使用,经过一天的花费时间与几个库,对我来说,它是我能想象的最好的..我自己的意见是,这样的工作,解析html到plain-文本,应该可以在一行代码 - >否则库已经以某种方式失败...只是说^^所以这里是,JSoup的单行 - 在Markdown4J,类似的东西是不可能的,在Markdownj ,在htmlCleaner中,这有点大约50行代码的痛苦...
String plain = new HtmlToPlainText().getPlainText(Jsoup.parse(html));
你得到的是真正的纯文本(不仅仅是作为字符串的html源代码,就像在其他库中一样) - >他真的做得很好。 它与Markdownify for PHP或多或少相同的质量....
这是我在谷歌上发现的。 对我来说它工作得很好。
String noHTMLString = htmlString.replaceAll("\\<.*?\\>", "");
无论您做什么,请确保在开始尝试剥离标记之前对数据进行标准化。 我最近参加了一个涵盖XSS过滤器规避的Web应用安全研讨会。 人们通常会认为搜索<
或<
或其十六进制等效就足够了。 我看到与70点的方式滑动后吹走<
可以被编码到打滤波器。
更新:
下面是我所指的演示文稿,请参阅幻灯片26,了解70种编码方式<
。
可能有一些,但最强大的是使用实际的HTML解析器。 有一个在这里 ,如果它是相当不错形成,也可以使用SAX或另一个XML分析器。
在将这个问题打开将近一周之后,我可以肯定地说,Java API或Apache库中没有可用的方法从String中删除HTML标记。 您可能必须使用前面答案中描述的HTML解析器,或者编写一个简单的正则表达式来去除标记。
使用Jsoup时,它比上面的答案更容易:
String html = "bla <b>hehe</b> <br> this is awesome simple";
String text = Jsoup.parse(html).text();
我用过nekoHtml来做到这一点。 它可以剥离所有标签,但它可以轻松地保留或剥离标签的子集。
我知道这个问题已经很老了,但我一直在寻找这个问题,似乎在java中找到一个好的和简单的解决方案似乎仍然不容易。
今天我遇到了这个小函数库。 它实际上试图模仿php strip_tags
函数。
http://jmelo.lyncode.com/java-strip_tags-php-function/
它的工作原理如下(从他们的网站复制):
import static com.lyncode.jtwig.functions.util.HtmlUtils.stripTags;
public class StripTagsExample {
public static void main(String... args) {
String result = stripTags("<!-- <a href='test'></a>--><a>Test</a>", "");
// Produced result: Test
}
}
嗨,我知道这个帖子已经老了,但它仍然出现在谷歌的顶部,我正在寻找快速修复同样的问题。 找不到任何有用的东西,所以我想出了这段代码片段 - 希望它对某人有所帮助。 它只是循环遍历字符串并跳过所有标记。 简单明了。
boolean intag = false;
String inp = "<H1>Some <b>HTML</b> <span style=blablabla>text</span>";
String outp = "";
for (int i=0; i < inp.length(); ++i)
{
if (!intag && inp.charAt(i) == '<')
{
intag = true;
continue;
}
if (intag && inp.charAt(i) == '>')
{
intag = false;
continue;
}
if (!intag)
{
outp = outp + inp.charAt(i);
}
}
return outp;
使用纯迭代方法,没有正则表达式:
public String stripTags(final String html) {
final StringBuilder sbText = new StringBuilder(1000);
final StringBuilder sbHtml = new StringBuilder(1000);
boolean isText = true;
for (char ch : html.toCharArray()) {
if (isText) { // outside html
if (ch != '<') {
sbText.append(ch);
continue;
} else { // switch mode
isText = false;
sbHtml.append(ch);
continue;
}
}else { // inside html
if (ch != '>') {
sbHtml.append(ch);
continue;
} else { // switch mode
isText = true;
sbHtml.append(ch);
continue;
}
}
}
return sbText.toString();
}
由于html片段的缩写(字符串截断),我还有正则表达式无法检测到的未闭合html标记的问题。 例如:
Lorem ipsum dolor sit amet, <b>consectetur</b> adipiscing elit. <a href="abc"
所以,参考2个最佳答案(JSoup和regex),我更喜欢使用JSoup的解决方案:
Jsoup.parse(html).text()
Wicket使用以下方法来转义html,位于:org.apache.wicket.util.string.Strings
public static CharSequence escapeMarkup(final String s, final boolean escapeSpaces,
final boolean convertToHtmlUnicodeEscapes)
{
if (s == null)
{
return null;
}
else
{
int len = s.length();
final AppendingStringBuffer buffer = new AppendingStringBuffer((int)(len * 1.1));
for (int i = 0; i < len; i++)
{
final char c = s.charAt(i);
switch (c)
{
case '\t' :
if (escapeSpaces)
{
// Assumption is four space tabs (sorry, but that's
// just how it is!)
buffer.append(" ");
}
else
{
buffer.append(c);
}
break;
case ' ' :
if (escapeSpaces)
{
buffer.append(" ");
}
else
{
buffer.append(c);
}
break;
case '<' :
buffer.append("<");
break;
case '>' :
buffer.append(">");
break;
case '&' :
buffer.append("&");
break;
case '"' :
buffer.append(""");
break;
case '\'' :
buffer.append("'");
break;
default :
if (convertToHtmlUnicodeEscapes)
{
int ci = 0xffff & c;
if (ci < 160)
{
// nothing special only 7 Bit
buffer.append(c);
}
else
{
// Not 7 Bit use the unicode system
buffer.append("&#");
buffer.append(new Integer(ci).toString());
buffer.append(';');
}
}
else
{
buffer.append(c);
}
break;
}
}
return buffer;
}
}
public static String stripTags(String str) {
int startPosition = str.indexOf('<');
int endPosition;
while (startPosition != -1) {
endPosition = str.indexOf('>', startPosition);
str = str.substring(0, startPosition) + (endPosition != -1 ? str.substring(endPosition + 1) : "");
startPosition = str.indexOf('<');
}
return str;
}
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.