是否有从Java字符串中删除HTML的好方法？一个简单的正则表达式
replaceAll("\\<.*?>","")
会起作用，但是&不会正确转换，并且两个尖括号之间的非HTML也会被删除（即.*?，正则表达式中的将会消失）。
从字符串中删除HTML标签
您可以简单地使用多个replaceAll（）方法
String RemoveTag(String html){
html = html.replaceAll("\\<.*?>","")
html = html.replaceAll(" ","");
html = html.replaceAll("&"."");
----------
----------
return html;
}
使用此链接进行所需的最常见替换：http : //tunes.org/wiki/html_20special_20characters_20and_20symbols.html
它简单但有效。我首先使用此方法删除垃圾，但不删除第一行，即replaceAll（“ \ <。*？>”，“”），然后我使用特定的关键字搜索索引，然后使用.substring（start，end ）剥离不必要的东西的方法。由于这更可靠，因此您可以在整个html页面中准确指出所需的内容。
要获取带格式的纯html文本，可以执行以下操作：
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/>");
要获得带格式的纯文本，请将 <br/>更改为\ n，并将最后一行更改为：
nodeValue=nodeValue.replaceAll("(\\s*\n){3,}", "<br/><br/>");
采用 Html.fromHtml
HTML标签是
<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>
根据Android的官方文档，HTML中的任何标签都将显示为通用替换字符串，您的程序可以通过该字符串替换并用真实字符串替换。
Html.formHtml方法采用Html.TagHandler和Html.ImageGetter作为参数以及要解析的文本。
例
String Str_Html=" <p>This is about me text that the user can put into their profile</p> ";
然后
Your_TextView_Obj.setText(Html.fromHtml(Str_Html).toString());
输出量
这是关于我的文字，用户可以将其放入个人资料中
您只需使用Android的默认HTML过滤器
public String htmlToStringFilter(String textToFilter){
return Html.fromHtml(textToFilter).toString();
}
上面的方法将为您的输入返回经过HTML过滤的字符串。
使用JSoup保留换行信息的一种方法是，在所有新行标记之前添加一些伪字符串，执行JSoup并将伪字符串替换为“ \ 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");
我的5美分：
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);
}
这是另一种方法：
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;
}
也可以将Apache Tika用于此目的。默认情况下，它会保留剥离的html中的空格，这在某些情况下可能是需要的：
InputStream htmlInputStream = ..
HtmlParser htmlParser = new HtmlParser();
HtmlContentHandler htmlContentHandler = new HtmlContentHandler();
htmlParser.parse(htmlInputStream, htmlContentHandler, new Metadata())
System.out.println(htmlContentHandler.getBodyText().trim())
另一种方法是使用com.google.gdata.util.common.html.HtmlToText类，例如
MyWriter.toConsole(HtmlToText.htmlToPlainText(htmlResponse));
但是，这不是防弹代码，当我在Wikipedia条目上运行它时，我也会得到样式信息。但是我相信对于小型/简单的工作，这将是有效的。
听起来您想从HTML变为纯文本。
如果是这种情况，请访问www.htmlparser.org。这是一个示例，该示例从URL处的html文件中剥离所有标签。
它利用了org.htmlparser.beans.StringBean。
static public String getUrlContentsAsText(String url) {
String content = "";
StringBean stringBean = new StringBean();
stringBean.setURL(url);
content = stringBean.getStrings();
return content;
}
这是如何替换所有内容的另一种变体（HTML标记| HTML实体| HTML内容中的空白区域）
content.replaceAll("(<.*?>)|(&.*?;)|([ ]{2,})", ""); 内容是一个字符串。
我知道这很旧，但是我只是在一个需要过滤HTML的项目上正常工作：
noHTMLString.replaceAll("\\&.*?\\;", "");
代替这个：
html = html.replaceAll(" ","");
html = html.replaceAll("&"."");
或者，可以使用HtmlCleaner：
private CharSequence removeHtmlFrom(String html) {
return new HtmlCleaner().clean(html).getText();
}
您可能希望在剥离HTML之前用换行符替换<br/>和</p>标记，以防止HTML变得像Tim所建议的那样混乱。
我想删除HTML标签但将非HTML放在尖括号之间的唯一方法是对照HTML标签列表进行检查。遵循这些原则...
replaceAll("\\<[\s]*tag[^>]*>","")
然后HTML解码特殊字符，例如&。结果不应视为经过消毒。
HTML转义真的很难做到正确-我绝对建议您使用库代码来执行此操作，因为它比您想象的要微妙得多。请查看Apache的StringEscapeUtils，以获取一个相当不错的库来用Java处理该库。
在Android上，尝试以下操作：
String result = Html.fromHtml(html).toString();
如果用户输入<b>hey!</b>，要显示<b>hey!</b>还是hey!？如果是第一个，请转义小于号，并用html编码“与”号（以及可选的引号），您就可以了。为了实现第二个选项而对您的代码进行的修改是：
replaceAll("\\<[^>]*>","")
但是如果用户输入格式错误的内容，您就会遇到问题<bhey!</b>。
您还可以签出JTidy，它将解析“肮脏”的html输入，并应为您提供一种删除标记并保留文本的方法。
尝试剥离html的问题在于浏览器的解析器非常宽松，比您可以找到的任何库都宽松，因此即使您尽力剥离所有标签（使用上述替换方法，DOM库或JTidy） ，您仍然需要确保对所有剩余的HTML特殊字符进行编码，以确保输出安全。
另一种方法是使用 javax.swing.text.html.HTMLEditorKit提取文本。
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();
}
}
}
如果您是为Android编写的，则可以执行此操作...
android.text.Html.fromHtml(instruction).toString()
我认为过滤html标签的最简单方法是：
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("");
}
使用Jericho也非常简单，您可以保留一些格式（例如，换行符和链接）。
Source htmlSource = new Source(htmlText);
Segment htmlSeg = new Segment(htmlSource, 0, htmlSource.length());
Renderer htmlRend = new Renderer(htmlSeg);
System.out.println(htmlRend.toString());
这是一个稍微充实的更新，以尝试处理一些中断和列表格式。我以Amaya的输出为指导。