我们在做文本处理的时候，第一个想到的便是正则表达式。
从一个字符串中删除HTML，对付正则来说，还是比较大略的。
毕竟还是有固定的格式，比如“<...>”。

我们常用的的正则便是 <[^>]> 或者 <.?> 。

我们在利用正则的时候，须要把稳的是正则默认是贪婪匹配。
也便是说，正则表达式<.> 能够匹配到更多的HTML内容，而不是单个标签。

html删除提示终于搞懂若何用Java去除HTML标签了 jQuery

现在，让我们测试一下它是否能从HTML源中删除标签。

正则测试删除标签1

在我们测试删除HTML标签之前，首先让我们创建一个HTML例子，例如example1.html。

<!DOCTYPE html><html><head> <title>这是标题</title></head><body> <p> 如果运用程序X没有启动，可能的缘故原由是<br/> 1. <a href="https://maven.apache.org">Maven</a>没有安装<br/> 2. 磁盘空间不敷<br/> 3. 内存不敷 </p></body></html>

现在，让我们写一个测试，用String.replaceAll()来删除HTML标签。

String html = ... // load example1.htmlString result = html.replaceAll("<[^>]`>", "");System.out.println(result);

如果我们运行这个测试方法，我们会看到结果。

这是标题 如果运用程序X没有启动，可能的缘故原由是 1.Maven没有安装 2.磁盘空间不敷 3.没有足够的内存

输出结果保留了剥离后的HTML的空缺处。
我们在处理提取的文本时，可以很随意马虎地删除或跳过这些空行或空缺处。

正则测试删除标签2

我们刚才已经看到了，通过利用Regex来删除HTML标签是非常大略。
但是粗暴的利用这种方法会有很多问题，我们不能预测终极的结果会是怎么样的。

例如，一个HTML文档可能有<script>或<style>标签，而我们可能不肯望在结果中涌现它们的内容。

此外，<script>、<style>、乃至是<body>标签中的文本可能包含 <或 >字符。
如果是这种情形，我们的正则方法可能会出错。

现在，让我们看看另一个例子，比如example2.html。

<!DOCTYPE HTML><html><head> <title>这是标题</title></head><script> // some js function</script><body> <p> 如果运用程序X没有启动，可能的缘故原由是<br/> 1. <a id="link" href="http://maven.apache.org/"> Maven </a> 没有安装<br/> 2. 磁盘空间不敷 (<1G) <br/> 3. 内存不敷(<64MB)<br/> </p></body></html>

现在我们有一个<script>标签和 <字符在<body>标签内。

如果我们对example2.html利用同样的方法，我们会得到如下内容。

这是标题 // some js function 如果运用程序X没有启动，可能的缘故原由是 1. Maven 没有安装 2. 磁盘空间不敷 ( 3. 内存不敷(

显然，由于"<"字符的存在，我们丢失了一些文本。
以是正则在处理文本的时候并不是万能的。
我们可以利用一些 HTML 解析器来做这些比较繁芜的场景。

利用Jsoup

Jsoup 是一个盛行的HTML解析库，如果想要从一个HTML文档中提取文本，我们可以大略地调用Jsoup.parse(htmlString).text()。

在项目中利用的时候，我们首先须要添加 jsoup 的依赖库，我们这里就通过maven的办法引入。

<dependency> <groupId>org.jsoup</groupId> <artifactId>jsoup</artifactId> <version>1.14.3</version></dependency>

我们用 example2.html来测试一下。

String html = ... // load example2.htmlSystem.out.println(Jsoup.parse(html).text());

如果我们让这个方法运行，它就会打印出来。

这是标题 如果运用程序X没有启动，可能的缘故原由是 1.Maven没有安装 2.没有足够的（<1G）磁盘空间 3.没有足够的（<64MB）内存

从输出结果可知，Jsoup已经成功地从HTML文档中提取了文本。
其余，<script>元素中的文本已经被忽略了。

此外，默认情形下，Jsoup会删除所有的文本格式和空缺处，比如换行符。

利用HTMLCleaner

HTMLCleaner 也是一个HTML解析库。

首先，我们须要在pom.xml中添加HTMLCleaner 依赖。

<dependency> <groupId>net.sourceforge.htmlcleaner</groupId> <artifactId>htmlcleaner</artifactId> <version>2.25</version></dependency>

我们可以设置[各种参数]（http://htmlcleaner.sourceforge.net/parameters.php）来掌握HTMLCleaner的解析行为。
我们在这里利用HTMLCleaner在解析example2.html时跳过<script>元素。

String html = ... // load example2.htmlCleanerProperties props = new CleanerProperties();props.setPruneTags("script");String result = new HtmlCleaner(props).clean(html).getText().toString();System.out.println(result);

运行一下，HTMLCleaner将产生这样的输出。

这是标题 如果运用程序X没有启动，可能的缘故原由是： 1.Maven没有安装 2.没有足够的（<1G）磁盘空间 3.内存不敷（<64MB）

我们可以看到，<script>元素中的内容被忽略了， <br/>标签转换为提取的文本中的换行符。
其余， HTMLCleaner 保留了HTML的空缺内容。

总结

在这篇文章中，我们学习了几种去除HTML的方法，我们须要把稳的是，正则在文本处理的过程中并不是万能的。