Java从没有正则表达式的String中删除HTML

Question

我试图从String中删除所有HTML元素。 不幸的是，我不能使用正则表达式，因为我在Blackberry平台上开发并且还不支持正则表达式。

有没有其他方法可以从字符串中删除HTML？ 我在某处读过你可以使用DOM Parser，但我找不到太多东西。

带HTML的文字：

<![CDATA[As a massive asteroid hurtles toward Earth, NASA head honcho Dan Truman (<a href="http://www.netflix.com/RoleDisplay/Billy_Bob_Thornton/20000303">Billy Bob Thornton</a>) hatches a plan to split the deadly rock in two before it annihilates the entire planet, calling on Harry Stamper (<a href="http://www.netflix.com/RoleDisplay/Bruce_Willis/99786">Bruce Willis</a>) -- the world's finest oil driller -- to head up the mission. With time rapidly running out, Stamper assembles a crack team and blasts off into space to attempt the treacherous task. <a href="http://www.netflix.com/RoleDisplay/Ben_Affleck/20000016">Ben Affleck</a> and <a href="http://www.netflix.com/RoleDisplay/Liv_Tyler/162745">Liv Tyler</a> co-star.]]>

没有HTML的文字：

当一颗巨大的小行星撞向地球时，美国国家航空航天局局长丹·杜鲁门（比利鲍勃桑顿）制定了一项计划，在将整个行星歼灭之前将致命的岩石分成两部分，呼吁哈利·斯坦克（布鲁斯·威利斯） - 世界上最好的石油钻探者 - 领导任务。 随着时间的推移，Stamper汇集了一支精干的团队并向太空发起冲击，试图进行危险的任务。本阿弗莱克和丽芙泰勒共同出演。

谢谢！

Answer 1

在野外解析HTML有很多细微差别，其中一个更有趣的方法就是许多页面都没有遵循任何标准。 这就是说，如果你的所有HTML都像你的例子一样简单，那么这样就足够了：

    char[] cs = s.toCharArray();
    StringBuilder sb = new StringBuilder();
    boolean tag = false;
    for (int i=0; i<cs.length; i++) {
        switch(cs[i]) {
            case '<': if ( ! tag) { tag = true; break; }
            case '>': if (tag) { tag = false; break; }
            case '&': i += interpretEscape(cs, i, sb); break;
            default: if ( ! tag) sb.append(cs[i]);
        }
    }
    System.err.println(sb);

其中interpretEscape()应该知道如何转换HTML转义，例如> 他们的角色对应物，并跳过所有角色直到结尾; 。

Answer 2

我无法使用正则表达式，因为我正在Blackberry平台上进行开发

您不能使用正则表达式，因为HTML是一种递归语言，而正则表达式无法处理这些语法。

你需要一个解析器。

Answer 3

如果你可以添加外部jar，你可以尝试使用这两个小库：

• tagsoup ，它是一个sax解析器
• jericho html ，另一个小的html解析器

他们都允许你去除一切。

我多次使用jericho，剥离你定义一个你喜欢的提取器：

class HTMLStripExtractor extends TextExtractor
{
    public HTMLStripExtractor(Source src)
    {       
        super(src)  
        src.setLogger(null)
    }

    public boolean excludeElement(StartTag startTag)
    {
        return startTag.getName() != HTMLElementName.A
    }
}

Answer 4

我试图以相反的方式解决这个问题，从HTML创建一个DOM树，然后从树中提取字符串：

• 使用像TagSoup这样的库来解析HTML，同时将其清理为接近XHTML。
• 当您正在流式传输已清理的XHTML时，请提取所需的文本。