Come rimuovere il tag HTML in Java

Question

Esiste l'espressione regolare che può rimuovere completamente un tag HTML? A proposito, sto usando Java.

Answer 1

È consigliabile utilizzare un parser HTML. Mi piace htmlCleaner, perché mi dà una versione stampata dell'HTML.

Con htmlCleaner si può fare:

TagNode root = htmlCleaner.clean(stream); 
Object[] found = root.evaluateXPath("//div[id='something']"); 
if(found.length > 0 && found instanceof TagNode) { 
    ((TagNode)found[0]).removeFromTree(); 
} 

Answer 2

No. Le espressioni regolari non può, per definizione, di analisi HTML.

È possibile utilizzare un'espressione regolare a s/<[^>]*\>// o qualcosa di simile in questo modo, ma sarà insufficiente, soprattutto se si è interessati a rimuovere il contenuto dei tag.

Come un altro poster ha detto, utilizzare un parser HTML effettivo.

Answer 3

Se avete solo bisogno di rimuovere i tag quindi è possibile utilizzare questa espressione regolare:

content = content.replaceAll("<[^>]+>", ""); 

Sarà rimuovere solo i tag, ma non altre cose HTML. Per cose più complesse dovresti usare parser.

EDIT: Per evitare problemi con commenti HTML è possibile effettuare le seguenti operazioni:

content = content.replaceAll("<!--.*?-->", "").replaceAll("<[^>]+>", ""); 

Answer 4

In alternativa, se il vostro intento è quello di visualizzazione ingresso controllato dall'utente al client, allora si può anche è sufficiente sostituire tutti gli < entro il < e tutti gli > entro il >. In questo modo l'HTML non verrà interpretato così com'è dall'applicazione del client (il browser).

Se si utilizza JSP come tecnologia di visualizzazione, è possibile utilizzare JSTL c:out per questo. Per impostazione predefinita, sfuggirà a tutte le entità HTML. Ad esempio, per esempio

<c:out value="<script>alert('XSS');</script>" /> 

NON visualizza l'avviso, ma mostra semplicemente la stringa attuale così com'è.

Answer 5

è possibile utilizzare questo semplice codice per rimuovere tutti i tag html ...

htmlString.replaceAll("\\<.*?\\>", "")) 

Answer 6

C'è JSoup che è una libreria Java per la manipolazione fatta HTML. Guarda il metodo clean() e l'oggetto WhiteList. Soluzione facile da usare!

Answer 7

Non è necessario alcun parser HTML. Il codice di seguito rimuove tutti i commenti HTML:

htmlString = htmlString.replaceAll("(?s)<!--.*?-->", "");