刪除所有HTML標記

Question

我有一個字符串，其中包含完整的XML get請求。

在請求中，有很多HTML和一些我想刪除的自定義命令。

我知道的唯一方法是使用jSoup 。

例如這樣 。

現在，由於請求來自的網站還具有自定義命令，因此我無法完全刪除所有代碼。

例如，這是我要“ 清理 ”的字符串：

\u0027s normal text here\u003c/b\u003e http://a_random_link_here.com\r\n\r\nSome more text here

如您所見， 自定義命令前面都帶有反斜杠。

我將如何使用Java刪除這些命令？

如果我使用正則表達式，如何編程使其僅刪除命令，而不刪除命令后的任何內容？ （因為如果我進行軟編碼：我事先不知道命令的大小，也不想對所有命令進行硬編碼）。

Answer 1

看到http://regex101.com/r/gJ2yN2

正則表達式(\\\\.\\d{3,}.*?\\s|(\\\\r|\\\\n)+)用於刪除您指出的內容。

結果（用 單個空格）：

normal text here http://a_random_link_here.com Some more text here

如果這不是您想要的結果，請用預期結果編輯您的問題。

編輯正則表達式解釋：

()  - match everything inside the parentheses (later, the "match" gets replaced with "space")
\\  - an 'escaped' backslash (i.e. an actual backslash; the first one "protects" the second
      so it is not interpreted as a special character
.   - any character (I saw 'u', but there might be others
\d  - a digit
{3,} - "at least three"
.*? - any characters, "lazy" (stop as soon as possible)
\s  - until you hit a white space
|   - or
()  - one of these things
\\r - backslash - r (again, with escaped '\')
\\n - backslash - n

Answer 2

您向我們顯示的“自定義命令”似乎是標准字符轉義符。 \\ r是回車符，ASCII 13（十進制）。 \\ n是換行符，ASCII 10（十進制）。 \\ uxxxx通常是帶有該十六進制值的Unicode字符的轉義符-例如，\\ u0027是ASCII字符39，即撇號（'）。 您不想丟棄這些； 它們是您要檢索的文本內容的一部分。

因此，最好的答案是確保您知道該數據集中要接受哪些轉義符，然后查找或編寫代碼以快速線性搜索查找\\的代碼，並在找到后使用下一個字符確定哪種類型的代碼。將其轉義（以及該轉義屬於多少個后續字符），將轉義序列替換為它代表的單個字符，然后繼續直到到達字符串/緩沖區/文件/所有內容的末尾。