如何删除Java中的HTML标签？

Question

我需要从Java中以下字符串中删除HTML标签

String text = "<html><head></head><body>hi x>a and y<b and z>c</body></html>";

我可以使用正则表达式来做到这一点。 但是它也会删除字符串中的“ b和z”。 因为它被认为是标签。

Answer 1

当然，它将删除“ b和z”。 应该删除该文本。 因为在HTML中，属性不必用引号引起来，并且它们不需要值。 所以b是元素，而and和z是属性（无值）。 这就是HTML解析器将识别的内容。

当然， and和z并不是b元素的真正可接受属性，但是就语法格式正确而言，您应该将b视为元素。

如果您不希望将其删除，则需要将<编写为< 。 无论如何，这就是如何编写正确的HTML。 :)

附录

（是的，我知道上面在评论中引用的著名的“不能用正则表达式解析HTML”答案，但是问题中的< vs <值得在答案中指出，恕我直言。）