使用正则表达式删除HTML标签。
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class HTMLSpirit{
public static String delHTMLTag(String htmlStr){
String regEx_script="<script[^>]*?>[\\s\\S]*?<\\/script>"; //定义script的正则表达式
String regEx_style="<style[^>]*?>[\\s\\S]*?<\\/style>"; //定义style的正则表达式
String regEx_html="<[^>]+>"; //定义HTML标签的正则表达式
Pattern p_script=Pattern.compile(regEx_script,Pattern.CASE_INSENSITIVE);
Matcher m_script=p_script.matcher(htmlStr);
htmlStr=m_script.replaceAll(""); //过滤script标签
Pattern p_style=Pattern.compile(regEx_style,serif;font-size:14px;line-height:28px;background-color:#ffffff;"> Matcher m_style=p_style.matcher(htmlStr);
htmlStr=m_style.replaceAll(""); //过滤style标签
Pattern p_html=Pattern.compile(regEx_html,serif;font-size:14px;line-height:28px;background-color:#ffffff;"> Matcher m_html=p_html.matcher(htmlStr);
htmlStr=m_html.replaceAll(""); //过滤html标签
return htmlStr.trim(); //返回文本字符串
}
}
Java中去掉网页HTML标记的方法
Java里面去掉网页里的HTML标记的方法：
/**
* 去掉字符串里面的html代码。<br>
* 要求数据要规范，比如大于小于号要配套,否则会被集体误杀。
*
* @param content
* 内容
* @return 去掉后的内容
*/
public static String stripHtml(String content) {
// <p>段落替换为换行
content = content.replaceAll("<p .*?>","\r\n");
// <br><br/>替换为换行
content = content.replaceAll("<br\\s*/?>",serif;font-size:14px;line-height:28px;background-color:#ffffff;">// 去掉其它的<>之间的东西
content = content.replaceAll("\\<.*?>","");
// 还原HTML
// content = HTMLDecoder.decode(content);
return content;
}
