Hapus tag HTML dari String

Apakah ada cara yang baik untuk menghapus HTML dari string Java? Seperti regex sederhana

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

akan berfungsi, tetapi hal-hal seperti &tidak akan dikonversi dengan benar dan non-HTML antara dua sudut kurung akan dihapus (yaitu .*?di dalam regex akan hilang).

Gunakan parser HTML alih-alih regex. Ini benar-benar sederhana dengan Jsoup .

public static String html2text(String html) {
    return Jsoup.parse(html).text();
}

Jsoup juga mendukung penghapusan tag HTML terhadap daftar putih yang dapat disesuaikan, yang sangat berguna jika Anda hanya ingin mengizinkan mis. <b>, <i>Dan <u>.

Lihat juga:

• RegEx mencocokkan tag terbuka kecuali tag XHTML mandiri
• Apa pro dan kontra dari parser Java HTML terkemuka?
• Pencegahan XSS dalam aplikasi web JSP / Servlet

Jika Anda menulis untuk Android, Anda dapat melakukan ini ...

android.text.Html.fromHtml(instruction).toString()

Jika pengguna masuk <b>hey!</b>, apakah Anda ingin menampilkan <b>hey!</b>atau hey!? Jika yang pertama, lepas lebih sedikit daripada yang lain, dan ampersand html-encode (dan kutip opsional) dan Anda baik-baik saja. Modifikasi kode Anda untuk menerapkan opsi kedua adalah:

replaceAll("\\<[^>]*>","")

tetapi Anda akan mengalami masalah jika pengguna memasukkan sesuatu yang salah bentuk <bhey!</b>.

Anda juga dapat melihat JTidy yang akan menguraikan input html "kotor", dan akan memberi Anda cara untuk menghapus tag, menjaga teks.

Masalah dengan mencoba menghapus html adalah browser memiliki parser yang sangat lunak, lebih lunak daripada perpustakaan mana pun yang dapat Anda temukan, jadi meskipun Anda melakukan yang terbaik untuk menghapus semua tag (menggunakan metode ganti di atas, pustaka DOM, atau JTidy) , Anda masih perlu memastikan untuk menyandikan karakter khusus HTML yang tersisa untuk menjaga keamanan output Anda.

Cara lain adalah dengan menggunakan javax.swing.text.html.HTMLEditorKit untuk mengekstraksi teks.

import java.io.*;
import javax.swing.text.html.*;
import javax.swing.text.html.parser.*;

public class Html2Text extends HTMLEditorKit.ParserCallback {
    StringBuffer s;

    public Html2Text() {
    }

    public void parse(Reader in) throws IOException {
        s = new StringBuffer();
        ParserDelegator delegator = new ParserDelegator();
        // the third parameter is TRUE to ignore charset directive
        delegator.parse(in, this, Boolean.TRUE);
    }

    public void handleText(char[] text, int pos) {
        s.append(text);
    }

    public String getText() {
        return s.toString();
    }

    public static void main(String[] args) {
        try {
            // the HTML to convert
            FileReader in = new FileReader("java-new.html");
            Html2Text parser = new Html2Text();
            parser.parse(in);
            in.close();
            System.out.println(parser.getText());
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

ref: Hapus tag HTML dari file untuk mengekstrak hanya TEKS

Saya pikir cara termudah untuk memfilter tag html adalah:

private static final Pattern REMOVE_TAGS = Pattern.compile("<.+?>");

public static String removeTags(String string) {
    if (string == null || string.length() == 0) {
        return string;
    }

    Matcher m = REMOVE_TAGS.matcher(string);
    return m.replaceAll("");
}

Juga sangat sederhana menggunakan Jericho , dan Anda dapat mempertahankan beberapa pemformatan (penghentian baris dan tautan, misalnya).

    Source htmlSource = new Source(htmlText);
    Segment htmlSeg = new Segment(htmlSource, 0, htmlSource.length());
    Renderer htmlRend = new Renderer(htmlSeg);
    System.out.println(htmlRend.toString());

Jawaban yang diterima dari melakukan hanya Jsoup.parse(html).text()memiliki 2 masalah potensial (dengan JSoup 1.7.3):

• Ini menghapus jeda baris dari teks
• Ini mengubah teks <script>menjadi<script>

Jika Anda menggunakan ini untuk melindungi terhadap XSS, ini agak menjengkelkan. Ini adalah kesempatan terbaik saya untuk solusi yang ditingkatkan, menggunakan JSoup dan Apache StringEscapeUtils:

// breaks multi-level of escaping, preventing &amp;lt;script&amp;gt; to be rendered as <script>
String replace = input.replace("&amp;", "");
// decode any encoded html, preventing &lt;script&gt; to be rendered as <script>
String html = StringEscapeUtils.unescapeHtml(replace);
// remove all html tags, but maintain line breaks
String clean = Jsoup.clean(html, "", Whitelist.none(), new Document.OutputSettings().prettyPrint(false));
// decode html again to convert character entities back into text
return StringEscapeUtils.unescapeHtml(clean);

Perhatikan bahwa langkah terakhir adalah karena saya perlu menggunakan output sebagai teks biasa. Jika Anda hanya membutuhkan output HTML maka Anda harus dapat menghapusnya.

Dan di sini ada banyak kasus uji (input ke output):

{"regular string", "regular string"},
{"<a href=\"link\">A link</a>", "A link"},
{"<script src=\"http://evil.url.com\"/>", ""},
{"&lt;script&gt;", ""},
{"&amp;lt;script&amp;gt;", "lt;scriptgt;"}, // best effort
{"\" ' > < \n \\ é å à ü and & preserved", "\" ' > < \n \\ é å à ü and & preserved"}

Jika Anda menemukan cara untuk membuatnya lebih baik, beri tahu saya.

Di Android, coba ini:

String result = Html.fromHtml(html).toString();

Escaping HTML benar-benar sulit untuk dilakukan dengan benar - saya pasti akan menyarankan menggunakan kode perpustakaan untuk melakukan ini, karena jauh lebih halus daripada yang Anda pikirkan. Lihatlah StringEscapeUtils dari Apache untuk pustaka yang cukup bagus untuk menangani ini di Java.

Ini seharusnya bekerja -

Gunakan ini

  text.replaceAll('<.*?>' , " ") -> This will replace all the html tags with a space.

dan ini

  text.replaceAll('&.*?;' , "")-> this will replace all the tags which starts with "&" and ends with ";" like  , &, > etc.

Anda mungkin ingin mengganti <br/>dan memberi </p>tag dengan baris baru sebelum menghapus HTML untuk mencegahnya menjadi kekacauan yang tidak terbaca seperti yang disarankan Tim.

Satu-satunya cara saya bisa memikirkan menghapus tag HTML tetapi meninggalkan non-HTML antara kurung sudut akan diperiksa terhadap daftar tag HTML . Sesuatu di sepanjang garis ini ...

replaceAll("\\<[\s]*tag[^>]*>","")

Kemudian HTML-decode karakter khusus seperti &. Hasilnya tidak boleh dianggap sanitasi.

Atau, Anda dapat menggunakan HtmlCleaner :

private CharSequence removeHtmlFrom(String html) {
    return new HtmlCleaner().clean(html).getText();
}

Jawaban yang diterima tidak bekerja untuk saya untuk kasus uji yang saya sebutkan: hasil "a <b atau b> c" adalah "ab atau b> c".

Jadi, saya menggunakan TagSoup sebagai gantinya. Ini foto yang berhasil untuk test case saya (dan beberapa lainnya):

import java.io.IOException;
import java.io.StringReader;
import java.util.logging.Logger;

import org.ccil.cowan.tagsoup.Parser;
import org.xml.sax.Attributes;
import org.xml.sax.ContentHandler;
import org.xml.sax.InputSource;
import org.xml.sax.Locator;
import org.xml.sax.SAXException;
import org.xml.sax.XMLReader;

/**
 * Take HTML and give back the text part while dropping the HTML tags.
 *
 * There is some risk that using TagSoup means we'll permute non-HTML text.
 * However, it seems to work the best so far in test cases.
 *
 * @author dan
 * @see <a href="http://home.ccil.org/~cowan/XML/tagsoup/">TagSoup</a> 
 */
public class Html2Text2 implements ContentHandler {
private StringBuffer sb;

public Html2Text2() {
}

public void parse(String str) throws IOException, SAXException {
    XMLReader reader = new Parser();
    reader.setContentHandler(this);
    sb = new StringBuffer();
    reader.parse(new InputSource(new StringReader(str)));
}

public String getText() {
    return sb.toString();
}

@Override
public void characters(char[] ch, int start, int length)
    throws SAXException {
    for (int idx = 0; idx < length; idx++) {
    sb.append(ch[idx+start]);
    }
}

@Override
public void ignorableWhitespace(char[] ch, int start, int length)
    throws SAXException {
    sb.append(ch);
}

// The methods below do not contribute to the text
@Override
public void endDocument() throws SAXException {
}

@Override
public void endElement(String uri, String localName, String qName)
    throws SAXException {
}

@Override
public void endPrefixMapping(String prefix) throws SAXException {
}


@Override
public void processingInstruction(String target, String data)
    throws SAXException {
}

@Override
public void setDocumentLocator(Locator locator) {
}

@Override
public void skippedEntity(String name) throws SAXException {
}

@Override
public void startDocument() throws SAXException {
}

@Override
public void startElement(String uri, String localName, String qName,
    Attributes atts) throws SAXException {
}

@Override
public void startPrefixMapping(String prefix, String uri)
    throws SAXException {
}
}

Saya tahu ini sudah lama, tetapi saya baru saja mengerjakan proyek yang mengharuskan saya untuk memfilter HTML dan ini berfungsi dengan baik:

noHTMLString.replaceAll("\\&.*?\\;", "");

alih-alih ini:

html = html.replaceAll(" ","");
html = html.replaceAll("&"."");

Berikut pembaruan yang sedikit lebih sempurna untuk mencoba menangani beberapa pemformatan untuk jeda dan daftar. Saya menggunakan output Amaya sebagai panduan.

import java.io.IOException;
import java.io.Reader;
import java.io.StringReader;
import java.util.Stack;
import java.util.logging.Logger;

import javax.swing.text.MutableAttributeSet;
import javax.swing.text.html.HTML;
import javax.swing.text.html.HTMLEditorKit;
import javax.swing.text.html.parser.ParserDelegator;

public class HTML2Text extends HTMLEditorKit.ParserCallback {
    private static final Logger log = Logger
            .getLogger(Logger.GLOBAL_LOGGER_NAME);

    private StringBuffer stringBuffer;

    private Stack<IndexType> indentStack;

    public static class IndexType {
        public String type;
        public int counter; // used for ordered lists

        public IndexType(String type) {
            this.type = type;
            counter = 0;
        }
    }

    public HTML2Text() {
        stringBuffer = new StringBuffer();
        indentStack = new Stack<IndexType>();
    }

    public static String convert(String html) {
        HTML2Text parser = new HTML2Text();
        Reader in = new StringReader(html);
        try {
            // the HTML to convert
            parser.parse(in);
        } catch (Exception e) {
            log.severe(e.getMessage());
        } finally {
            try {
                in.close();
            } catch (IOException ioe) {
                // this should never happen
            }
        }
        return parser.getText();
    }

    public void parse(Reader in) throws IOException {
        ParserDelegator delegator = new ParserDelegator();
        // the third parameter is TRUE to ignore charset directive
        delegator.parse(in, this, Boolean.TRUE);
    }

    public void handleStartTag(HTML.Tag t, MutableAttributeSet a, int pos) {
        log.info("StartTag:" + t.toString());
        if (t.toString().equals("p")) {
            if (stringBuffer.length() > 0
                    && !stringBuffer.substring(stringBuffer.length() - 1)
                            .equals("\n")) {
                newLine();
            }
            newLine();
        } else if (t.toString().equals("ol")) {
            indentStack.push(new IndexType("ol"));
            newLine();
        } else if (t.toString().equals("ul")) {
            indentStack.push(new IndexType("ul"));
            newLine();
        } else if (t.toString().equals("li")) {
            IndexType parent = indentStack.peek();
            if (parent.type.equals("ol")) {
                String numberString = "" + (++parent.counter) + ".";
                stringBuffer.append(numberString);
                for (int i = 0; i < (4 - numberString.length()); i++) {
                    stringBuffer.append(" ");
                }
            } else {
                stringBuffer.append("*   ");
            }
            indentStack.push(new IndexType("li"));
        } else if (t.toString().equals("dl")) {
            newLine();
        } else if (t.toString().equals("dt")) {
            newLine();
        } else if (t.toString().equals("dd")) {
            indentStack.push(new IndexType("dd"));
            newLine();
        }
    }

    private void newLine() {
        stringBuffer.append("\n");
        for (int i = 0; i < indentStack.size(); i++) {
            stringBuffer.append("    ");
        }
    }

    public void handleEndTag(HTML.Tag t, int pos) {
        log.info("EndTag:" + t.toString());
        if (t.toString().equals("p")) {
            newLine();
        } else if (t.toString().equals("ol")) {
            indentStack.pop();
            ;
            newLine();
        } else if (t.toString().equals("ul")) {
            indentStack.pop();
            ;
            newLine();
        } else if (t.toString().equals("li")) {
            indentStack.pop();
            ;
            newLine();
        } else if (t.toString().equals("dd")) {
            indentStack.pop();
            ;
        }
    }

    public void handleSimpleTag(HTML.Tag t, MutableAttributeSet a, int pos) {
        log.info("SimpleTag:" + t.toString());
        if (t.toString().equals("br")) {
            newLine();
        }
    }

    public void handleText(char[] text, int pos) {
        log.info("Text:" + new String(text));
        stringBuffer.append(text);
    }

    public String getText() {
        return stringBuffer.toString();
    }

    public static void main(String args[]) {
        String html = "<html><body><p>paragraph at start</p>hello<br />What is happening?<p>this is a<br />mutiline paragraph</p><ol>  <li>This</li>  <li>is</li>  <li>an</li>  <li>ordered</li>  <li>list    <p>with</p>    <ul>      <li>another</li>      <li>list        <dl>          <dt>This</dt>          <dt>is</dt>            <dd>sdasd</dd>            <dd>sdasda</dd>            <dd>asda              <p>aasdas</p>            </dd>            <dd>sdada</dd>          <dt>fsdfsdfsd</dt>        </dl>        <dl>          <dt>vbcvcvbcvb</dt>          <dt>cvbcvbc</dt>            <dd>vbcbcvbcvb</dd>          <dt>cvbcv</dt>          <dt></dt>        </dl>        <dl>          <dt></dt>        </dl></li>      <li>cool</li>    </ul>    <p>stuff</p>  </li>  <li>cool</li></ol><p></p></body></html>";
        System.out.println(convert(html));
    }
}

Menggunakan Html.fromHtml

Tag HTML adalah

<a href=”…”> <b>,  <big>, <blockquote>, <br>, <cite>, <dfn>
<div align=”…”>,  <em>, <font size=”…” color=”…” face=”…”>
<h1>,  <h2>, <h3>, <h4>,  <h5>, <h6>
<i>, <p>, <small>
<strike>,  <strong>, <sub>, <sup>, <tt>, <u>

Sesuai Dokumentasi resmi Android, tag apa pun dalam HTML akan ditampilkan sebagai String pengganti generik yang kemudian dapat dilalui oleh program Anda dan diganti dengan string nyata .

Html.formHtml metode mengambil Html.TagHandler dan Html.ImageGetter sebagai argumen serta teks untuk diuraikan.

Contoh

String Str_Html=" <p>This is about me text that the user can put into their profile</p> ";

Kemudian

Your_TextView_Obj.setText(Html.fromHtml(Str_Html).toString());

Keluaran

Ini tentang saya teks yang dapat dimasukkan pengguna ke profil mereka

Berikut adalah satu lagi varian cara mengganti semua (Tag HTML | Entitas HTML | Ruang Kosong dalam konten HTML)

content.replaceAll("(<.*?>)|(&.*?;)|([ ]{2,})", ""); di mana konten adalah sebuah String.

Anda cukup menggunakan filter HTML default Android

    public String htmlToStringFilter(String textToFilter){

    return Html.fromHtml(textToFilter).toString();

    }

Metode di atas akan mengembalikan string yang difilter HTML untuk input Anda.

Satu cara lagi adalah dengan menggunakan kelas com.google.gdata.util.common.html.HtmlToText seperti

MyWriter.toConsole(HtmlToText.htmlToPlainText(htmlResponse));

Ini bukan kode bukti peluru dan ketika saya menjalankannya pada entri wikipedia saya mendapatkan info gaya juga. Namun saya percaya untuk pekerjaan kecil / sederhana ini akan efektif.

Sepertinya Anda ingin beralih dari HTML ke teks biasa.
Jika demikian, lihat www.htmlparser.org. Berikut adalah contoh yang menghapus semua tag dari file html yang ditemukan di URL.
Itu memanfaatkan org.htmlparser.beans.StringBean .

static public String getUrlContentsAsText(String url) {
    String content = "";
    StringBean stringBean = new StringBean();
    stringBean.setURL(url);
    content = stringBean.getStrings();
    return content;
}

Berikut cara lain untuk melakukannya:

public static String removeHTML(String input) {
    int i = 0;
    String[] str = input.split("");

    String s = "";
    boolean inTag = false;

    for (i = input.indexOf("<"); i < input.indexOf(">"); i++) {
        inTag = true;
    }
    if (!inTag) {
        for (i = 0; i < str.length; i++) {
            s = s + str[i];
        }
    }
    return s;
}

Orang juga bisa menggunakan Apache Tika untuk tujuan ini. Secara default ia mempertahankan spasi putih dari html yang dilucuti, yang mungkin diinginkan dalam situasi tertentu:

InputStream htmlInputStream = ..
HtmlParser htmlParser = new HtmlParser();
HtmlContentHandler htmlContentHandler = new HtmlContentHandler();
htmlParser.parse(htmlInputStream, htmlContentHandler, new Metadata())
System.out.println(htmlContentHandler.getBodyText().trim())

Salah satu cara untuk mempertahankan informasi baris baru dengan JSoup adalah dengan mendahului semua tag baris baru dengan beberapa string dummy, jalankan JSoup dan ganti string dummy dengan "\ n".

String html = "<p>Line one</p><p>Line two</p>Line three<br/>etc.";
String NEW_LINE_MARK = "NEWLINESTART1234567890NEWLINEEND";
for (String tag: new String[]{"</p>","<br/>","</h1>","</h2>","</h3>","</h4>","</h5>","</h6>","</li>"}) {
    html = html.replace(tag, NEW_LINE_MARK+tag);
}

String text = Jsoup.parse(html).text();

text = text.replace(NEW_LINE_MARK + " ", "\n\n");
text = text.replace(NEW_LINE_MARK, "\n\n");

classeString.replaceAll("\\<(/?[^\\>]+)\\>", "\\ ").replaceAll("\\s+", " ").trim() 

5 sen saya:

String[] temp = yourString.split("&");
String tmp = "";
if (temp.length > 1) {

    for (int i = 0; i < temp.length; i++) {
        tmp += temp[i] + "&";
    }
    yourString = tmp.substring(0, tmp.length() - 1);
}

Untuk mendapatkan teks html biasa yang telah diformat, Anda dapat melakukannya:

String BR_ESCAPED = "<br/>";
Element el=Jsoup.parse(html).select("body");
el.select("br").append(BR_ESCAPED);
el.select("p").append(BR_ESCAPED+BR_ESCAPED);
el.select("h1").append(BR_ESCAPED+BR_ESCAPED);
el.select("h2").append(BR_ESCAPED+BR_ESCAPED);
el.select("h3").append(BR_ESCAPED+BR_ESCAPED);
el.select("h4").append(BR_ESCAPED+BR_ESCAPED);
el.select("h5").append(BR_ESCAPED+BR_ESCAPED);
String nodeValue=el.text();
nodeValue=nodeValue.replaceAll(BR_ESCAPED, "<br/>");
nodeValue=nodeValue.replaceAll("(\\s*<br[^>]*>){3,}", "<br/><br/>");

Untuk mendapatkan perubahan teks biasa yang diformat <br/> oleh \ n dan ubah baris terakhir dengan:

nodeValue=nodeValue.replaceAll("(\\s*\n){3,}", "<br/><br/>");

Saya tahu ini sudah lama sejak pertanyaan ini diajukan, tetapi saya menemukan solusi lain, inilah yang bekerja untuk saya:

Pattern REMOVE_TAGS = Pattern.compile("<.+?>");
    Source source= new Source(htmlAsString);
 Matcher m = REMOVE_TAGS.matcher(sourceStep.getTextExtractor().toString());
                        String clearedHtml= m.replaceAll("");

Anda cukup membuat metode dengan multiple replaceAll () seperti

String RemoveTag(String html){
   html = html.replaceAll("\\<.*?>","")
   html = html.replaceAll("&nbsp;","");
   html = html.replaceAll("&amp;"."");
   ----------
   ----------
   return html;
}

Gunakan tautan ini untuk penggantian paling umum yang Anda butuhkan: http://tunes.org/wiki/html_20special_20characters_20and_20symbols.html

Ini sederhana tetapi efektif. Saya menggunakan metode ini pertama untuk menghapus sampah tetapi bukan baris pertama yaitu replaceAll ("\ <. *?>", ""), Dan kemudian saya menggunakan kata kunci spesifik untuk mencari indeks dan kemudian menggunakan .substring (mulai, akhiri ) metode untuk menghapus hal-hal yang tidak perlu. Karena ini lebih kuat dan Anda dapat menunjukkan dengan tepat apa yang Anda butuhkan di seluruh halaman html.

Hapus tag HTML dari string. Di suatu tempat kita perlu mengurai beberapa string yang diterima oleh beberapa tanggapan seperti Httpresponse dari server.

Jadi kita perlu menguraikannya.

Di sini saya akan menunjukkan cara menghapus tag html dari string.

    // sample text with tags

    string str = "<html><head>sdfkashf sdf</head><body>sdfasdf</body></html>";



    // regex which match tags

    System.Text.RegularExpressions.Regex rx = new System.Text.RegularExpressions.Regex("<[^>]*>");



    // replace all matches with empty strin

    str = rx.Replace(str, "");



    //now str contains string without html tags