如何刪除Java中的HTML標簽？

Question

我需要從Java中以下字符串中刪除HTML標簽

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

我可以使用正則表達式來做到這一點。 但是它也會刪除字符串中的“ b和z”。 因為它被認為是標簽。

Answer 1

當然，它將刪除“ b和z”。 應該刪除該文本。 因為在HTML中，屬性不必用引號引起來，並且它們不需要值。 所以b是元素，而and和z是屬性（無值）。 這就是HTML解析器將識別的內容。

當然， and和z並不是b元素的真正可接受屬性，但是就語法格式正確而言，您應該將b視為元素。

如果您不希望將其刪除，則需要將<編寫為< 。 無論如何，這就是如何編寫正確的HTML。 :)

附錄

（是的，我知道上面在評論中引用的著名的“不能用正則表達式解析HTML”答案，但是問題中的< vs <值得在答案中指出，恕我直言。）