使用JSoup僅除去HTML標簽，而不除去'<'和'>'標簽內的數據

Question

我正在使用JSoup解析包含HTML標記為純文本的字符串。 例如：

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

它的解析效果很好，但是問題是我的Java字符串是否包含<和>之間的數據（例如Hello <test@gmail.com>因此它正在刪除電子郵件地址數據。 我得到的輸出是Hello ，我期望在其中Hello <test@gmail.com> 。

我也嘗試過使用正則表達式

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

但是仍然有問題。

無論如何在<和>之間解析沒有自定義數據的HTML標簽

Answer 1

您的正則表達式

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

完全刪除標簽。 它與<的開頭，標簽的開頭，標簽的標簽，標簽的所有屬性以及最后的>匹配。 然后將其替換為空字符串。

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

應將所有標簽替換為標簽和標簽的所有屬性。 這與您的regexp大致匹配，但是用括號內的文本替換了匹配項。

請注意，這會刪除上下文，因此它可能不是一個好的解決方案。 由於有效的html被部分保留，因此它也不會產生易於閱讀的輸出。

最好還是使用Jsoup並瀏覽DOM。