[Java]去除html中的标签或者元素属性（正则表达式/jsoup）

小咪咪 2022-04-15 01:19 885阅读 0赞

## 1. 使用正则表达式 ##

#### （1）使用正则表达式去除html中的标签 ####

*  业务场景：  
    如一篇使用富文本编辑器编辑的新闻稿，需要在列表页面截取前200字作为摘要，此时需要去除html标签，截取真正的文本部分。
 *  代码实现：

/**
     * 删除Html标签
     */
    public static String removeHtmlTag(String htmlStr) {
        //定义script的正则表达式{或<script[^>]*?>[\\s\\S]*?<\\/script>
        String regEx_script = "<[\\s]*?script[^>]*?>[\\s\\S]*?<[\\s]*?\\/[\\s]*?script[\\s]*?>";
        //定义style的正则表达式{或<style[^>]*?>[\\s\\S]*?<\\/style>
        String regEx_style = "<[\\s]*?style[^>]*?>[\\s\\S]*?<[\\s]*?\\/[\\s]*?style[\\s]*?>";
        //定义HTML标签的正则表达式
        String regEx_html = "<[^>]+>";
        //定义一些特殊字符的正则表达式 如：     
        String regEx_special = "\\&[a-zA-Z]{1,10};";
    
        //1.过滤script标签
        Pattern p_script = Pattern.compile(regEx_script, Pattern.CASE_INSENSITIVE);
        Matcher m_script = p_script.matcher(htmlStr);
        htmlStr = m_script.replaceAll("");
        //2.过滤style标签
        Pattern p_style = Pattern.compile(regEx_style, Pattern.CASE_INSENSITIVE);
        Matcher m_style = p_style.matcher(htmlStr);
        htmlStr = m_style.replaceAll("");
        //3.过滤html标签
        Pattern p_html = Pattern.compile(regEx_html, Pattern.CASE_INSENSITIVE);
        Matcher m_html = p_html.matcher(htmlStr);
        htmlStr = m_html.replaceAll("");
        //4.过滤特殊标签
        Pattern p_special = Pattern.compile(regEx_special, Pattern.CASE_INSENSITIVE);
        Matcher m_special = p_special.matcher(htmlStr);
        htmlStr = m_special.replaceAll("");
    
        return htmlStr;
    }

#### （2）使用正则表达式去除html中的元素属性 ####

*  业务场景：  
    如某网站历史数据中有很多富文本编辑器编辑的新闻稿，里面定义了很多行内样式，现开发了新网站，统一定义了样式，进行数据迁移时需要去除这些行内样式，但保留标签。
 *  代码实现：

private static final String regEx_tag = "<(\\w[^>|\\s]*)[\\s\\S]*?>";
    
    public static String removeEleProp(String htmlStr) {
    	Pattern p = Pattern.compile(regEx_tag, Pattern.CASE_INSENSITIVE);
    	Matcher m = p.matcher(htmlStr);
    	StringBuffer sb = new StringBuffer();
    	while (m.find()) {
    		String tagWithProp= m.group(0);
    		String tag =m.group(1);
    		if ("img".equals(tag)) {
    			//img标签保留属性，可进一步处理删除无用属性，仅保留src等必要属性
    			m.appendReplacement(sb, tagWithProp);
    		}else if ("a".equals(tag)) {
    			//a标签保留属性，可进一步处理删除无用属性，仅保留href等必要属性
    			m.appendReplacement(sb, tagWithProp);
    		}else{
    			m.appendReplacement(sb, "<" + tag + ">");
    		}
    	}
    	m.appendTail(sb);
    	return sb.toString();
    }

## 2. 使用jsoup ##

使用正则表达式可以处理一些比较简单的场景，如果操作比较复杂，则编写正则表达式的难度就会很大，或者需要编写很多条正则表达式来分别处理各种不同情况。  
此时，jsoup该登场了，使用jsoup就可以像使用jQuery一样进行各种灵活的操作。

> jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。  
> 它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。

使用方法：  
[jsoup Cookbook(中文版)][jsoup Cookbook]  
[jsoup官网(en)][jsoup_en]

[jsoup Cookbook]: http://www.open-open.com/jsoup/
[jsoup_en]: https://jsoup.org/